tebsorflow学习——tf.train.ExponentialMovingAverage与tf.train.exponential_decay
来源:互联网 发布:js闭包的理解 编辑:程序博客网 时间:2024/06/06 12:56
#1、滑动平均模型import tensorflow as tf#定义一个变量用于计算滑动平均,这个变量的初始值为0.#类型为tf.float32,因为所有需要计算滑动平均的变量必须是实数型v1=tf.Variable(0,dtype=tf.float32)#这里step变量模拟神经网络中迭代的轮数,可以用于动态控制衰减率step=tf.Variable(0,trainable=False)#定义一个滑动平均的类(class)。初始化时给定了衰减率(0.99)和控制衰减率的变量stepema=tf.train.ExponentialMovingAverage(0.99,step)#定义一个更新变量滑动平均的操作。这里需要给定一个列表,每次执行这个操作时#这个列表中的变量都会被更新maintain_averages_op=ema.apply([v1])with tf.Session() as sess: #初始化所有变量 init_op=tf.global_variables_initializer() sess.run(init_op) #通过ema.average(v1)获取滑动平均之后变量的取值。在初始化之后变量v1的值和v1的滑动平均都为0 print(sess.run([v1,ema.average(v1)])) #输出[0.0,0.0] #更新变量v1的值到5 sess.run(tf.assign(v1,5)) #更新v1的滑动平均值。衰减率为min{0.99,(1+step)/(10+step)=0.1}=0.1 #所以v1的滑动平均会被更新为0.1*0+0.9*5=4.5 sess.run(maintain_averages_op) print(sess.run([v1,ema.average(v1)])) #更新step的值为10000 sess.run(tf.assign(step,10000)) #更新v1的值为10 sess.run(tf.assign(v1,10)) #更新v1的滑动平均值。衰减率为min{0.99,(1+step)/(10+step)=0.999}}=0.99 #所以v1的滑动平均会被更新为0.99*4.5+0.01*10=4.555 sess.run(maintain_averages_op) print(sess.run([v1,ema.average(v1)])) #输出[10.0,4.5549998] #再次更新滑动平均值,得到的新滑动平均值为0.99*4.555+0.01*10=4.60945 sess.run(maintain_averages_op) print(sess.run([v1,ema.average(v1)])) #输出[10.0,4.6094499]
#2、tf.train.exponential_decayimport tensorflow as tf; import numpy as np; import matplotlib.pyplot as plt; learning_rate = 0.1 decay_rate = 0.96 global_steps = 1000 decay_steps = 100 global_ = tf.Variable(tf.constant(0)) c = tf.train.exponential_decay(learning_rate, global_, decay_steps, decay_rate, staircase=True) d = tf.train.exponential_decay(learning_rate, global_, decay_steps, decay_rate, staircase=False) T_C = [] F_D = [] with tf.Session() as sess: for i in range(global_steps): T_c = sess.run(c,feed_dict={global_: i}) T_C.append(T_c) F_d = sess.run(d,feed_dict={global_: i}) F_D.append(F_d) plt.figure(1) plt.plot(range(global_steps), F_D, 'r-') plt.plot(range(global_steps), T_C, 'b-') plt.show()
初始的学习速率是0.1,总的迭代次数是1000次,如果staircase=True,那就表明每decay_steps次计算学习速率变化,更新原始学习速率,如果是False,那就是每一步都更新学习速率。红色表示False,绿色表示True。
转自此博客。
阅读全文
1 0
- tebsorflow学习——tf.train.ExponentialMovingAverage与tf.train.exponential_decay
- tf.train.exponential_decay 用法
- tf.train.exponential_decay()
- tf.train.ExponentialMovingAverage解析
- tf.train.ExponentialMovingAverage用法
- tf.train.exponential_decay的用法
- tf.train.exponential_decay的用法
- tf.train.ExponentialMovingAverage的用法
- tensorflow学习——tf.floor与tf.train.batch
- tensorflow学习——tf.train.Supervisor()与tf.train.saver()
- 举例说明函数tf.train.exponential_decay用法
- TensorFlow中tf.train.exponential_decay的用法
- tensorflow 下的滑动平均模型 —— tf.train.ExponentialMovingAverage
- tf.train
- Tensorflow中tf.train.exponential_decay函数(指数衰减法)
- Tensorflow中tf.train.exponential_decay函数(指数衰减法)
- Tensorflow滑动平均模型tf.train.ExponentialMovingAverage解析
- Tensorflow:tf.train.SyncReplicasOptimizer
- 向右移动放大后点击按钮可以继续放大
- ubuntu下安装ROS并运行一个小例程
- leetcode 104. Maximum Depth of Binary Tree DFS深度优先搜索
- 我的Python学习笔记(6) 初探网络爬虫scrapy
- 最全Pycharm教程(9)——创建并运行一个基本的Python测试程序
- tebsorflow学习——tf.train.ExponentialMovingAverage与tf.train.exponential_decay
- Python 2.7.x 和 3.x 版本的重要区别
- systat(统计分析软件) v13.1免费版下载及安装教程
- Java开发环境搭建(进阶配置三 ——MySQL)
- String和StringBuilder作为方法参数的区别
- Unity3D 打包后UI失效(FindGameObjectsWithTag)
- 菜鸡学习之插入排序------学习算法记录1
- POJ 1200 Crazy Search(哈希)
- 抽象类与接口