1.tf.train.exponential_decay() 指數衰減學習率：

#tf.train.exponential_decay(learning_rate,global_steps,decay_steps,decay_rate,staircase=True/False)：
#指數衰減學習率
#learning_rate-學習率
#global_steps-訓練輪數
#decay_steps-完整的使用一遍訓練資料所需的迭代輪數；=總訓練樣本數/batch
#decay_rate-衰減速度
#staircase-衰減方式；=True，那就表明每decay_steps次計算學習速率變化，更新原始學習速率；=alse，那就是每一步都更新學習速率。learning_rate = tf.train.exponential_decay(
initial_learning_rate = 0.001
global_step = tf.Variable(0,trainable=False)
decay_steps = 100
decay_rate = 0.95
total_loss = slim.losses.get_total_loss()
learning_rate = tf.train.exponential_decay(initial_learning_rate,global_step,True,name='learning_rate')
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss,global_step)

2.tf.train.ExponentialMovingAverage(decay,steps) 滑動平均更新引數：

initial_learning_rate = 0.001
global_step = tf.Variable(0,global_step)
ema = tf.train.ExponentialMovingAverage(decay=0.9999)
#tf.trainable_variables--返回的是需要訓練的變數列表
averages_op = ema.apply(tf.trainable_variables())
with tf.control_dependencies([optimizer]):
   train_op = tf.group(averages_op)

以上這篇有關Tensorflow梯度下降常用的優化方法分享就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。