如何通过遵循全局步骤在Keras中实现指数衰减学习率

Question

请看下面的例子

# encoding: utf-8
import numpy as np
import pandas as pd
import random
import math
from keras import Sequential
from keras.layers import Dense, Activation
from keras.optimizers import Adam, RMSprop
from keras.callbacks import LearningRateScheduler

X = [i*0.05 for i in range(100)]

def step_decay(epoch):
    initial_lrate = 1.0
    drop = 0.5
    epochs_drop = 2.0
    lrate = initial_lrate * math.pow(drop, 
    math.floor((1+epoch)/epochs_drop))
    return lrate

def build_model():
    model = Sequential()
    model.add(Dense(32, input_shape=(1,), activation='relu'))
    model.add(Dense(1, activation='linear'))
    adam = Adam(lr=0.5)
    model.compile(loss='mse', optimizer=adam)
    return model

model = build_model()
lrate = LearningRateScheduler(step_decay)
callback_list = [lrate]

for ep in range(20):
    X_train = np.array(random.sample(X, 10))
    y_train = np.sin(X_train)
    X_train = np.reshape(X_train, (-1,1))
    y_train = np.reshape(y_train, (-1,1))
    model.fit(X_train, y_train, batch_size=2, callbacks=callback_list, 
              epochs=1, verbose=2)

在这个例子中，LearningRateSchedule根本不会改变学习率，因为在ep，epoch=1的每次迭代中。因此，学习率只是常数（1.0，根据step_decay）。事实上，不是直接设置epoch> 1，我必须做如示例中所示的外循环，并且内部每个循环，我只运行1个纪元。 （当我实施深度强化学习而不是监督学习时就是这种情况）。

我的问题是如何在我的例子中设置指数衰减学习率以及如何在ep的每次迭代中获得学习率。

Answer 1

你实际上可以将两个参数传递给LearningRateScheduler。根据Keras documentation，调度程序是

将纪元索引作为输入（整数，从0索引）和当前学习速率的函数，并返回新的学习速率作为输出（浮点）。

所以，基本上，只需用函数参数替换你的initial_lr，如下：

def step_decay(epoch, lr):
    # initial_lrate = 1.0 # no longer needed
    drop = 0.5
    epochs_drop = 2.0
    lrate = lr * math.pow(drop, 
    math.floor((1+epoch)/epochs_drop))
    return lrate