Tensorflow提供了一个将指数衰减自动应用于学习率张量的操作： tf.train.exponential_decay 。有关其使用示例，请参见MNIST卷积模型示例中的此行 。然后使用上面的@mrry的建议将此变量作为您选择的优化程序的learning_rate参数提供。

要看的关键摘录是：

# Optimizer: set up a variable that's incremented once per batch and
# controls the learning rate decay.
batch = tf.Variable(0)

learning_rate = tf.train.exponential_decay(
  0.01,                # Base learning rate.
  batch * BATCH_SIZE,  # Current index into the dataset.
  train_size,          # Decay step.
  0.95,                # Decay rate.
  staircase=True)
# Use simple momentum for the optimization.
optimizer = tf.train.MomentumOptimizer(learning_rate,
                                     0.9).minimize(loss,
                                                   global_step=batch)

请注意global_step=batch参数以使其最小化。这告诉优化器在每次训练时为您有用地增加“ batch”参数。

来自Tensorflow官方文档

global_step = tf.Variable(0, trainable=False)
starter_learning_rate = 0.1
learning_rate = tf.train.exponential_decay(starter_learning_rate, global_step,
                                       100000, 0.96, staircase=True)

# Passing global_step to minimize() will increment it at each step.
learning_step = (
tf.train.GradientDescentOptimizer(learning_rate)
.minimize(...my loss..., global_step=global_step))

梯度下降算法使用您可以在初始化期间提供的恒定学习率。您可以通过Mrry展示的方式通过各种学习率。

但是，除了它，您还可以使用更高级的优化器 ，这些优化器具有更快的收敛速度并可以适应这种情况。

根据我的理解，这是一个简短的解释：

• 动量 可帮助 SGD沿相关方向导航并软化不相关的振荡。它只是将上一步的方向的一部分添加到当前步骤中。这样可以以正确的方向放大速度，并软化错误方向的振动。该分数通常在（0，1）范围内。使用自适应动量也很有意义。在开始学习时，很大的动力只会阻碍您的进步，因此使用0.01之类的东西感觉很麻木，一旦所有的高梯度消失了，您就可以使用更大的动量。动量存在一个问题：当我们非常接近目标时，在大多数情况下，我们的动量很高，并且不知道它会放慢速度。这可能会导致它丢失或在最小值附近振荡
• Nesterov加速梯度可以通过尽早降低速度来解决此问题。在动量中，我们首先计算梯度，然后在该方向上进行跳跃，并被我们之前拥有的任何动量放大。 NAG的功能相同，但顺序相反：首先，我们根据存储的信息进行较大的跳跃，然后计算梯度并进行较小的校正。这种看似无关紧要的变化大大提高了实用速度。
• AdaGrad或自适应梯度允许学习率根据参数进行调整。它对不频繁的参数执行较大的更新，对频繁的参数执行较小的更新。因此，它非常适合稀疏数据（NLP或图像识别）。另一个优点是，它基本上不需要调整学习速度。每个参数都有自己的学习速率，由于算法的特殊性，学习速率单调降低。这引起了最大的问题：在某些时候，学习率太小，系统停止学习。
• AdaDelta解决了AdaGrad中单调降低学习率的问题。在AdaGrad中，学习率大约是用除以平方根之和得出的。在每个阶段，您都要在总和上加上另一个平方根，这会使分母不断减小。在AdaDelta中，它使用滑动窗口而不是将所有过去的平方根求和，而是使总和减少。 RMSprop与AdaDelta非常相似

• 亚当或自适应动量是类似于AdaDelta的算法。但是，除了存储每个参数的学习率外，它还分别存储每个参数的动量变化

  一些可视化 ：

首先， tf.train.GradientDescentOptimizer设计为对所有步骤中的所有变量使用恒定的学习率。 TensorFlow还提供了开箱即用的自适应优化器，包括tf.train.AdagradOptimizer和tf.train.AdamOptimizer ，它们可以用作替代产品。

但是，如果您希望通过tf.train.GradientDescentOptimizer梯度下降来控制学习速率，则可以利用以下事实： tf.train.GradientDescentOptimizer构造函数的learning_rate参数可以是Tensor对象。这使您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，您可以创建一个标量tf.Variable来保存学习率，并在每次要更改学习率时对其进行分配。