十大學(xué)習(xí)率衰減策略！

簡 介

目前越來越多非結(jié)構(gòu)化問題的出現(xiàn)，神經(jīng)網(wǎng)絡(luò)也扮演著愈加重要的作用。一個好的神經(jīng)網(wǎng)絡(luò)對于最終任務(wù)的預(yù)測至關(guān)重要，但要得到一個好的神經(jīng)網(wǎng)絡(luò)則需要考慮眾多的因素，本文我們重點介紹神經(jīng)網(wǎng)絡(luò)中調(diào)參重學(xué)習(xí)率衰減的調(diào)節(jié)策略。本文介紹目前tensorflow中的9大學(xué)習(xí)率衰減策略。

exponential_decay = learning_rate_decay.exponential_decay

piecewise_constant = learning_rate_decay.piecewise_constant

polynomial_decay = learning_rate_decay.polynomial_decay

natural_exp_decay = learning_rate_decay.natural_exp_decay

inverse_time_decay = learning_rate_decay.inverse_time_decay

cosine_decay = learning_rate_decay.cosine_decay

cosine_decay_restarts = learning_rate_decay.cosine_decay_restarts

linear_cosine_decay = learning_rate_decay.linear_cosine_decay

noisy_linear_cosine_decay = learning_rate_decay.noisy_linear_cosine_decay

學(xué)習(xí)率衰減

01

分段常數(shù)衰減

在對應(yīng)區(qū)間置中不同的學(xué)習(xí)率的常數(shù)值，一般初始學(xué)習(xí)率會大一些，后面越來越小，要根據(jù)樣本量的大小設(shè)置區(qū)間的間隔大小，樣本量越大，區(qū)間間隔要小一點。在真正的網(wǎng)絡(luò)訓(xùn)練中，需要操作人員根據(jù)具體任務(wù)對學(xué)習(xí)率具體設(shè)置

該方法有助于針對不同任務(wù)進(jìn)行精細(xì)地調(diào)參，在任意步長后下降任意數(shù)值的learning rate。

02

指數(shù)衰減

指數(shù)衰減的方式，學(xué)習(xí)率的大小和訓(xùn)練次數(shù)指數(shù)相關(guān)，指數(shù)衰減簡單直接，收斂速度快，是最常用的學(xué)習(xí)率衰減方式，其數(shù)學(xué)公式為：

如下圖所示，紅色的為學(xué)習(xí)率隨訓(xùn)練次數(shù)的指數(shù)衰減方式，藍(lán)色的即為分段常數(shù)衰減 。

03

自然指數(shù)衰減

自然指數(shù)衰減和指數(shù)衰減方式相似，不同的在于它的衰減底數(shù)是，所以它的收斂的速度更快，一般用于相對比較容易訓(xùn)練的網(wǎng)絡(luò)，便于較快的收斂，其更新公式為：

和分段常數(shù)以及指數(shù)衰減相比，其中綠色的是自然指數(shù)衰減。

04

多項式衰減

多項式衰減的方式進(jìn)行更新學(xué)習(xí)率，需要給定初始學(xué)習(xí)率和最低學(xué)習(xí)率，然后按照給定的衰減方式將學(xué)習(xí)率從初始值衰減到最低值，其更新規(guī)則即為：

此處需要注意有兩個機(jī)制：

降到最低學(xué)習(xí)率后，到訓(xùn)練結(jié)束可以一直使用最低學(xué)習(xí)率進(jìn)行更新；

另一個是再次將學(xué)習(xí)率調(diào)高，使用decay_steps的倍數(shù)，取第一個大于global_steps的結(jié)果，即：

可以用它來防止神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的后期由于學(xué)習(xí)率過小而導(dǎo)致的網(wǎng)絡(luò)一直在某個局部最小值附近震蕩，在后期增大學(xué)習(xí)率跳出局部極小值。

05

倒數(shù)衰減

倒數(shù)衰減的數(shù)學(xué)公式為：

06

余弦衰減

顧名思義，就是采用余弦方式進(jìn)行學(xué)習(xí)率的衰減。其更新機(jī)制如下：

其中alpha可以看作是baseline，保證學(xué)習(xí)率不會低于某個值。不同alpha的影響如下：

07

循環(huán)學(xué)習(xí)率衰減

學(xué)習(xí)率以循環(huán)周期進(jìn)行衰減。是循環(huán)學(xué)習(xí)率的cycle版本。

余弦函數(shù)式的下降模擬了大lr找潛力區(qū)域然后小lr快速收斂的過程，加之restart帶來的cycle效果，有漲1-2個點的可能。

08

線性余弦衰減

線性余弦衰減方式是基于余弦方式的衰減策略，其數(shù)學(xué)公式為：

線性余弦衰減一般應(yīng)用領(lǐng)域是增強(qiáng)學(xué)習(xí)領(lǐng)域，

09

噪聲線性余弦衰減

在線性余弦衰減的基礎(chǔ)上，加入了噪聲。就得到了噪聲線性余弦衰減。噪聲線性余弦衰減提升了學(xué)習(xí)率尋找最優(yōu)值的隨機(jī)性和可能性。

0110

自定義學(xué)習(xí)率

大家還可以依據(jù)自己的想法自定義學(xué)習(xí)率衰減策略，例如可以依據(jù)驗證集合的表現(xiàn)，來更新學(xué)習(xí)率，如果驗證集合上評估指標(biāo)在不斷變好，則保持lr，否則降低學(xué)習(xí)率。

參考文獻(xiàn)

tensorflow learning schedule之分段常數(shù)衰減用法

An Overview of Deep Learning Optimization Methods and Learning Rate Attenuation Methods

Tensorflow中l(wèi)earning rate decay的奇技淫巧

TensorFlow使用記錄 （三）：Learning Rate Scheduling

深度學(xué)習(xí)中的固定學(xué)習(xí)率衰減策略總結(jié)

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/training/learning_rate_decay.py

編輯：jq