从 tf.train.AdamOptimizer 获取当前学习率

Question

我想打印出神经网络每个训练步骤的学习率。

我知道 Adam 具有自适应学习率，但有什么方法可以让我看到这一点（用于在 tensorboard 中可视化）

Answer 1

Sung Kim 的建议对我有用，我的具体步骤是：

lr = 0.1
step_rate = 1000
decay = 0.95

global_step = tf.Variable(0, trainable=False)
increment_global_step = tf.assign(global_step, global_step + 1)
learning_rate = tf.train.exponential_decay(lr, global_step, step_rate, decay, staircase=True)

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate, epsilon=0.01)
trainer = optimizer.minimize(loss_function)

# Some code here

print('Learning rate: %f' % (sess.run(trainer ._lr)))

Answer 2

所有优化器都有一个保存学习率值的私有变量。

在adagrad and gradient descent it is called self._learning_rate. In adam中是self._lr。

所以你只需要打印 sess.run(optimizer._lr) 就可以得到这个值。 Sess.run 是必需的，因为它们是张量。

Answer 3

我认为您可以做的最简单的事情就是将优化器子类化。

它有几种方法，我猜是根据变量类型分派的。常规密集变量似乎经过 _apply_dense。此解决方案不适用于稀疏或其他事物。

如果您查看 implementation，您会发现它在这些 "slots" 中存储了 m 和 t EMA。所以像这样的事情似乎可以做到：

class MyAdam(tf.train.AdamOptimizer):
    def _apply_dense(self, grad, var):
        m = self.get_slot(var, "m")
        v = self.get_slot(var, "v")

        m_hat = m/(1-self._beta1_power)
        v_hat = v/(1-self._beta2_power)

        step = m_hat/(v_hat**0.5 + self._epsilon_t)

        # Use a histogram summary to monitor it during training.
        tf.summary.histogram("hist", step) 

        return super(MyAdam,self)._apply_dense(grad, var)

step 这里会在区间 [-1,1] 中乘以学习率，以确定应用于参数的实际步长。

图表中通常没有节点，因为有一个大 training_ops.apply_adam 可以完成所有事情。

这里我只是根据它创建一个直方图摘要。但是你可以把它放在一个附加到对象的字典中，稍后阅读或者用它做任何你想做的事。

将其放入 mnist_deep.py，并在训练循环中添加一些摘要：

all_summaries = tf.summary.merge_all()  
file_writer = tf.summary.FileWriter("/tmp/Adam")
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(20000):
        batch = mnist.train.next_batch(50)
        if i % 100 == 0:
            train_accuracy,summaries = sess.run(
                [accuracy,all_summaries],
                feed_dict={x: batch[0], y_: batch[1], 
                           keep_prob: 1.0})
            file_writer.add_summary(summaries, i)
            print('step %d, training accuracy %g' % (i, train_accuracy))
       train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

在TensorBoard中生成下图：

Answer 4

在 TensorFlow 源中，Adam 优化器的当前 lr 计算如下：

    lr = (lr_t * math_ops.sqrt(1 - beta2_power) / (1 - beta1_power))

所以，试试吧：

    current_lr = (optimizer._lr_t * tf.sqrt(1 - 
    optimizer._beta2_power) / (1 - optimizer._beta1_power))

    eval_current_lr = sess.run(current_lr)

Answer 5

在Tensorflow 2中：

optimizer = tf.keras.optimizers.Adagrad(learning_rate=0.1)  # or any other optimizer
print(optimizer.learning_rate.numpy())  # or print(optimizer.lr.numpy())

注意：这为您提供了基础学习率。有关自适应学习率的更多详细信息，请参阅此。

从 tf.train.AdamOptimizer 获取当前学习率

Getting the current learning rate from a tf.train.AdamOptimizer

tensorflow