我只是想为我的第一个 CNN 设置学习率计划,我发现有多种方法可以这样做:
tf.keras.callbacks.LearningRateScheduler()
tf.keras.optimizers.schedules.LearningRateSchedule()
现在我想知道是否有任何差异,如果有,它们是什么?如果没有区别,那么为什么会存在这些替代方案?是否有历史原因(应该首选哪种方法)?
谁能详细说明一下?
答案 0 :(得分:2)
tf.keras.callbacks.LearningRateScheduler()
和 tf.keras.optimizers.schedules.LearningRateSchedule()
都提供相同的功能,即在训练模型时实现学习率衰减。
一个明显的区别可能是 tf.keras.callbacks.LearningRateScheduler
在其构造函数中接受一个函数,如文档中所述,
tf.keras.callbacks.LearningRateScheduler(schedule, verbose=0)
<块引用>
schedule:一个函数,它以纪元索引(整数,从 0 开始索引)和当前学习率(浮点数)作为输入,并返回一个新的学习率作为输出(浮点数)。
schedule
函数将返回给定当前纪元索引的学习率。要实现各种类型的 LR 衰减,例如指数衰减、多项式衰减等,您需要自己在此 schedule
方法中对它们进行编码。
另一方面,tf.keras.optimizers.schedules.LearningRateSchedule()
是一个高级类。 tf.keras.optimizers.schedules.*
中包含的其他类型的衰减,如 PolynomialDecay
或 InverseTimeDecay
继承了此类。因此,该模块提供了 ML 中常用的内置 LR 衰减方法。此外,要实现自定义 LR 衰减,您的类需要继承 tf.keras.optimizers.schedules.LearningRateSchedule()
并覆盖 __call__
和 __init__
等方法,如文档中所述,
要实现您自己的计划对象,您应该实现 调用方法,它接受一个步长参数(标量整数张量,当前训练步数)。
结论:
如果您想使用某些内置的 LR Decay,请使用 tf.keras.optimizers.schedules.*
模块,即该模块中提供的 LR 衰减。
如果您需要一个简单的自定义 LR 衰减,它只需要纪元索引作为参数,请使用 tf.keras.callbacks.LearningRateScheduler
。
如果您的自定义 LR Decay 需要更多参数而不仅仅是纪元索引,请创建一个新类并继承 tf.keras.optimizers.schedules.LearningRateSchedule
。