深度学习中滑动平均模型的作用、计算方法及tensorflow代码示例

灰太狼 2022-05-15 06:43 173阅读 0赞

滑动平均模型：

用途：用于控制变量的更新幅度，使得模型在训练初期参数更新较快，在接近最优值处参数更新较慢，幅度较小  
方式：主要通过不断更新衰减率来控制变量的更新幅度

衰减率计算公式 ：  
    decay = min\{init\_decay , (1 + num\_update) / (10 + num\_update)\}  
    其中 init\_decay 为设置的初始衰减率 ，num\_update 为模型参数更新次数，由此可见，随着 num\_update 更新次数的增加，(1 + num\_update) / (10 + num\_update 这一项的计算结果越接近1

参数更新公式：  
    shadow\_variable = decay \* shadow\_variable + (1 - decay) \* variable  
    其中 shadow\_variable 为变量更新前的数值，variable为变量更新后的数值

例如:  
    x = 0  
    x = 1  
    此时 shadow\_variable 就是 0 ， variable 就是 1 ， 假如此时的 衰减率 decay 是 0.5，则更新后的 x 取值为 0.5 \* 0 + （1 - 0.5） \* 1 = 0.5

通过以上公式可以发现，随着模型迭代次数的增加，(1 + num\_update) / (10 + num\_update) 这一项的计算结果越接近1,也就是 (1 - decay) \* variable 更接近于 0 ，此时模型参数变化幅度减小 , 也就是 shadow\_variable == decay \* shadow\_variable 等式越成立。

tensorflow代码示例：

#coding:utf-8
    """
        Created by cheng star at 2018/8/26 10:46
        @email : xxcheng0708@163.com
    """
    
    import tensorflow as tf
    
    
    v1 = tf.Variable(0.0 , dtype=tf.float32)
    step = tf.Variable(0 , trainable=False)
    
    ema = tf.train.ExponentialMovingAverage(decay=0.99 , num_updates=step)
    # maintain_average_op 每执行一次，其中的变量就会被更新
    maintain_average_op = ema.apply([v1])
    
    with tf.Session() as sess :
        init = tf.global_variables_initializer()
        sess.run(init)
    
        # 变量初始化之后，变量的数值和滑动平均值相同，均为 0
        print(sess.run([v1 , ema.average(v1)]))     # [0.0 , 0.0]
        sess.run(maintain_average_op)
        print(sess.run([v1 , ema.average(v1)]))     # [0.0 , 0.0]
    
        # 更新变量的赋值
        sess.run(tf.assign(v1 , 5))
    
        """
            执行maintain_average_op 操作，此时 step = 0 ， 使用公式 min{decay , (1 + num_update)/(10 + num_update)} 计算衰减率
            因此，decay衰减率是 min{init_decay = 0.99 , (1 + 0) / (10 + 0) = 0.1} = 0.1
            因此，此时的 v1 变量值是 0 * 0.1 + （1 - 0.1） * 5 = 4.5
        """
        sess.run(maintain_average_op)
        print(sess.run([v1 , ema.average(v1)]))     # [5 , 4.5]
    
        sess.run(tf.assign(step , 1000))
        sess.run(tf.assign(v1 , 10))
    
        """
            decay = min{0.99 , (1 + 1000)/(10 + 1000) = 0.99} = 0.99    衰减率不变
            v1 = 4.5 * 0.99 + (1 - 0.99) * 10 = 4.555
        """
        sess.run(maintain_average_op)
        print(sess.run([v1 , ema.average(v1)]))     # [10.0, 4.5549998]
    
        """
            decay = min{0.99 , (1 + 1000)/(10 + 1000) = 0.99} = 0.99    衰减率不变
            v1 = 4.555 * 0.99 + (1 - 0.99) * 10 = 4.609
        """
        sess.run(maintain_average_op)
        print(sess.run([v1 , ema.average(v1)]))     # [10.0, 4.6094499]

参考文献：Tensorflow实战Google深度学习框架. 才云科技Caicloud 郑泽宇 顾思宇 著