理工酷

tf.train.GradientDescentOptimizer在所有步骤中对所有变量使用恒定的学习率。

TensorFlow还提供了使用非常方便的自适应优化器，包括tf.train.AdagradOptimizer和tf.train.AdamOptimizer，可以替代tf.train.GradientDescentOptimizer。

但是，如果希望通过原始的梯度下降来控制学习速率，则可以利用以下方法：tf.train.GradientDescentOptimizer构造函数的learning_rate参数可以是Tensor对象，从而可以在每个步骤中为学习率计算一个不同的值，例如：

learning_rate = tf.placeholder(tf.float32, shape=[])# ...
train_step = tf.train.GradientDescentOptimizer(
    learning_rate=learning_rate).minimize(mse)

sess = tf.Session()
# Feed different values for learning rate to each training step.
sess.run(train_step, feed_dict={learning_rate: 0.1})
sess.run(train_step, feed_dict={learning_rate: 0.1})
sess.run(train_step, feed_dict={learning_rate: 0.01})
sess.run(train_step, feed_dict={learning_rate: 0.01})

另外，还可以创建一个标量tf.Variable来保存学习率，并在每次要更改学习率时进行分配。

转载自https://stackoverflow.com/questions/33919948/how-to-set-adaptive-learning-rate-for-gradientdescentoptimizer?answertab=votes#tab-top