Deep learning II - II Optimization algorithms - learning rate decay 学习速率衰减

本文介绍了在使用mini-batch梯度下降法时如何通过学习速率衰减策略来提高收敛效果。详细探讨了四种不同的衰减方法,包括基于epoch数的倒数衰减、指数衰减、根号下epoch数衰减及离散阶梯式衰减。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

learning rate decay 学习速率衰减


这里写图片描述

  • 对于mini-batch gradient descent,其梯度下降可能会围绕最优点附近徘徊,但是由于learning rate不变,可能不会进一步靠近最优点(蓝色路径)
  • 如果learning rate会随着学习的深入不断衰减,那么上述情况会得到改善,最终的结果和更加靠近最优点(绿色路径)
    这里写图片描述
    方法 一
    1 epoch=1 pass through data1 epoch=1 pass through data

    α=11+decayRateepochNumα0α=11+decayRate∗epochNumα0

    这里写图片描述
    方法 二 (exponentially decay)
    α=0.95epochNumα0α=0.95epochNumα0

    方法 三
    α=kepochNumα0α=kepochNumα0

    α=ktα0α=ktα0

    tt是mini-batch的次数。
    方法 四 (discrete staircase)
    方法 五 (manual decay )
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值