如何在 Tensorflow 中设置分层学习率？

Question

我想知道是否有一种方法可以对不同的层使用不同的学习率，就像 Caffe 中的一样。我正在尝试修改预训练模型并将其用于其他任务。我想要的是加快新添加层的训练，并使训练后的层保持低学习率，以防止它们被扭曲。例如，我有一个 5 层的预训练模型。现在我添加一个新的卷积层并对其进行微调。前 5 层的学习率为 0.00001，最后一层的学习率为 0.001。知道如何实现这一目标吗？

Answer 1

使用 2 个优化器可以很容易地实现：

var_list1 = [variables from first 5 layers]
var_list2 = [the rest of variables]
train_op1 = GradientDescentOptimizer(0.00001).minimize(loss, var_list=var_list1)
train_op2 = GradientDescentOptimizer(0.0001).minimize(loss, var_list=var_list2)
train_op = tf.group(train_op1, train_op2)

这种实现的一个缺点是它在优化器中计算 tf.gradients(.) 两次，因此它在执行速度方面可能不是最优的。这可以通过显式调用 tf.gradients(.)、将列表拆分为 2 并将相应的梯度传递给两个优化器来缓解。

相关问题：Holding variables constant during optimizer

编辑：添加了更高效但更长的实现：

var_list1 = [variables from first 5 layers]
var_list2 = [the rest of variables]
opt1 = tf.train.GradientDescentOptimizer(0.00001)
opt2 = tf.train.GradientDescentOptimizer(0.0001)
grads = tf.gradients(loss, var_list1 + var_list2)
grads1 = grads[:len(var_list1)]
grads2 = grads[len(var_list1):]
tran_op1 = opt1.apply_gradients(zip(grads1, var_list1))
train_op2 = opt2.apply_gradients(zip(grads2, var_list2))
train_op = tf.group(train_op1, train_op2)

您可以使用tf.trainable_variables() 获取所有训练变量并决定从中进行选择。 不同之处在于，在第一个实现中，tf.gradients(.) 在优化器中被调用了两次。这可能会导致执行一些冗余操作（例如，第一层的梯度可以重用一些计算来用于后续层的梯度）。

Answer 2

Tensorflow 1.7 引入了tf.custom_gradient，它极大地简化了学习率乘数的设置，现在它与任何优化器兼容，包括那些累积梯度统计的优化器。例如，

import tensorflow as tf

def lr_mult(alpha):
  @tf.custom_gradient
  def _lr_mult(x):
    def grad(dy):
      return dy * alpha * tf.ones_like(x)
    return x, grad
  return _lr_mult

x0 = tf.Variable(1.)
x1 = tf.Variable(1.)
loss = tf.square(x0) + tf.square(lr_mult(0.1)(x1))

step = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)

sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
tf.local_variables_initializer().run()

for _ in range(5):
  sess.run([step])
  print(sess.run([x0, x1, loss]))

Answer 3

1 月 22 日更新：下面的配方仅适用于 GradientDescentOptimizer，其他保持运行平均值的优化器将在参数更新之前应用学习率，因此下面的配方不会影响等式的一部分

除了Rafal的方法，你还可以使用Optimizer的compute_gradients、apply_gradients接口。例如，这是一个玩具网络，我使用 2 倍的学习率作为第二个参数

x = tf.Variable(tf.ones([]))
y = tf.Variable(tf.zeros([]))
loss = tf.square(x-y)
global_step = tf.Variable(0, name="global_step", trainable=False)

opt = tf.GradientDescentOptimizer(learning_rate=0.1)
grads_and_vars = opt.compute_gradients(loss, [x, y])
ygrad, _ = grads_and_vars[1]
train_op = opt.apply_gradients([grads_and_vars[0], (ygrad*2, y)], global_step=global_step)

init_op = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init_op)
for i in range(5):
  sess.run([train_op, loss, global_step])
  print sess.run([x, y])

你应该看到

[0.80000001, 0.40000001]
[0.72000003, 0.56]
[0.68800002, 0.62400001]
[0.67520005, 0.64960003]
[0.67008007, 0.65984005]

Answer 4

为每个变量收集学习率乘数，例如：

self.lr_multipliers[var.op.name] = lr_mult

然后在应用渐变之前应用它们：

def _train_op(self):
  tf.scalar_summary('learning_rate', self._lr_placeholder)
  opt = tf.train.GradientDescentOptimizer(self._lr_placeholder)
  grads_and_vars = opt.compute_gradients(self._loss)
  grads_and_vars_mult = []
  for grad, var in grads_and_vars:
    grad *= self._network.lr_multipliers[var.op.name]
    grads_and_vars_mult.append((grad, var))
    tf.histogram_summary('variables/' + var.op.name, var)
    tf.histogram_summary('gradients/' + var.op.name, grad)
  return opt.apply_gradients(grads_and_vars_mult)

你可以找到整个例子here。

Answer 5

Sergey Demyanov 答案的细微变化，您只需指定要更改的学习率

from collections import defaultdict

self.learning_rates = defaultdict(lambda: 1.0)
...
x = tf.layers.Dense(3)(x)
self.learning_rates[x.op.name] = 2.0
...
optimizer = tf.train.MomentumOptimizer(learning_rate=1e-3, momentum=0.9)
grads_and_vars = optimizer.compute_gradients(loss)
grads_and_vars_mult = []
for grad, var in grads_and_vars:
    grad *= self.learning_rates[var.op.name]
    grads_and_vars_mult.append((grad, var))
train_op = optimizer.apply_gradients(grads_and_vars_mult, tf.train.get_global_step())

Answer 6

前 5 层的学习率为 0.00001，最后一层的学习率为 0.001。知道如何实现这一目标吗？

使用 tf.stop_gradient 有一个简单的方法可以做到这一点。 这是一个 3 层的示例：

x = layer1(input)
x = layer2(x)
output = layer3(x)

您可以将前两层的渐变缩小 1/100：

x = layer1(input)
x = layer2(x)
x = 1/100*x + (1-1/100)*tf.stop_gradient(x)
output = layer3(x)

在 layer2 上，“流”分为两个分支：一个贡献为 1/100 的分支定期计算其梯度，但梯度幅度缩小了 1/100 的比例，另一个分支提供剩余的由于 tf.stop_gradient 运算符，“流动”不会对梯度产生影响。因此，如果您在模型优化器上使用 0.001 的学习率，前两层的学习率实际上将是 0.00001。

Answer 7

如果你碰巧在使用 tf.slim + slim.learning.create_train_op，这里有一个很好的例子： https://github.com/google-research/tf-slim/blob/master/tf_slim/learning.py#L65

# Create the train_op and scale the gradients by providing a map from variable
  # name (or variable) to a scaling coefficient:
  gradient_multipliers = {
    'conv0/weights': 1.2,
    'fc8/weights': 3.4,
  }
  train_op = slim.learning.create_train_op(
      total_loss,
      optimizer,
      gradient_multipliers=gradient_multipliers)

不幸的是，如果您想逐渐修改乘数，似乎无法使用 tf.Variable 代替浮点值。