train_step = tf.train.GradientDescentOptimizer(x)

在之前的幾個例子中都出現了如上代碼。

這個優化算法的參數就是學習效率。那麽這個學習效率是什麽意思，到底取什麽樣的值比較好呢？

之前已經講過，優化算法會反向修改函數中設置為Variable的變量值，使得誤差逐步縮小。而這裏的學習效率就是Variable更新變化的幅度。

如果幅度過大，參數就很可能跨過最優值，最後在最優值的兩側來回浮動。

如果幅度太小，又會大大的增加學習時間。

比較理想的做法是，在學習初期，將這個值設的大一些，當逐漸靠近最優解的時候，逐漸縮小學習效率使得獲得的值更加靠近最優值。

TensorFlow就為我們提供了這種方法：指數衰減法

tf.train.exponential_decay

它實現的功能類似如下代碼

decayed_learning_rate = learning_rate * decay_rate^(global_step/decay_steps)

• decayed_learning_rate: 優化後的每一輪的學習效率。
• learning_rate: 最初設置的學習效率。
• decay_rate: 衰減系數。
• decay_steps: 衰減速度。

將demo1的代碼稍作修改，加入今天我們講到的函數，並且以圖形化的方式輸出。

我們會看到，原來0.1的學習效率，所產生的線與我們正確線在有一段距離的地方開始上下浮動，不再靠近我們正確值的線段。

而給學習效率加上指數衰減算法後，很快我們的生成的線段就與正確值幾乎重合了。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

x_data = np.random.rand(50).astype(np.float32)
y_data = x_data * 0.1 + 0.3;
###
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0
 
))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

loss=tf.reduce_mean(tf.square(y-y_data))

global_step = tf.Variable(0)

learning_rate = tf.train.exponential_decay(0.1,global_step,100,0.96,staircase=True)
learning_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)

init = tf.global_variables_initializer()
###

sess = tf.Session()
sess.run(init)

fig = plt.figure()
ax = fig.add_subplot(1,1,1)

plt.ion()
plt.show()


for step in range(300):
    sess.run(learning_step)
    if step % 20 == 0:
        y_value=sess.run(y)
        ax.scatter(x_data,y_data)
        ax.scatter(x_data,y_value)
        plt.pause(1)

TensorFlow 的學習效率的指數衰減法