自定义学习率随张量、lambda和python变量绑定而衰减

我正在尝试建立一个自定义的张量流估计器并对其进行训练。

model = tf.estimator.Estimator(
    model_fn=model_fn,
    params={
    ...
    "optimizer": tf.train.MomentumOptimizer(
        learning_rate=0.001 * tf.train.global_step()**(-0.75),
        momentum=0.5
        ),
    ...
    }
)
model.train()

我该怎么办?

我现在知道的

经过一番摸索,我发现上述方法显然行不通,因为 tf.train.global_step() 取决于是否有一个会话,而我至少在打电话之前没有会话 model.train() .

我也知道可能有某种巫术可以让我推迟对你的召唤 直到我的车真正开动 tf.Estimator

1解决这个问题 2了解变量绑定的工作原理 三。了解如何 tf.train.global\u步骤() 获取张量对象,以及张量到底是什么。

• tensorflow: use py_func to define custom learning rate decay before applied to optimizer 这家伙在摆弄自定义优化器。我不想卷入其中。

• TensorFlow: How to set learning rate decay based on epochs?

• TensorFlow learning rate decay - how to properly supply the step number for decay? 这看起来像我希望我能做的,但我不知道如何把它翻译成 tf.Estimators .