參考：

#!/usr/bin/env python3

# -*- coding: utf-8 -*- '''
 學習率較大容易搜尋震盪（在最優值附近徘徊），學習率較小則收斂速度較慢，
 那麼可以通過初始定義一個較大的學習率，通過設定decay_rate來縮小學習率，減少迭代次數。
 tf.train.exponential_decay就是用來實現這個功能。
'''
__author__ = 'Zhang Shuai'

import tensorflow as tf

import matplotlib.pyplot as plt

learning_rate = 0.1 # 學習速率

decay_rate = 0.96 # 衰減速率，即每一次學習都衰減為原來的0.96

global_steps = 1000 # 總學習次數

# 如果staircase為True,那麼每decay_steps改變一次learning_rate，

# 改變為learning_rate*(decay_rate**decay_steps)

# 如果為False則，每一步都改變，為learning_rate*decay_rate

decay_steps = 100

global_ = tf.placeholder(dtype=tf.int32)

# 如果staircase=True，那麼每decay_steps更新一次decay_rate，如果是False那麼每一步都更新一次decay_rate。

c = tf.train.exponential_decay(learning_rate, global_, decay_steps, decay_rate, staircase=True)

d = tf.train.exponential_decay(learning_rate, global_, decay_steps, decay_rate, staircase=False)

T_C = []

F_D = []

with tf.Session() as sess:

for i in range(global_steps):

     T_c = sess.run(c, feed_dict={global_: i})

     T_C.append(T_c)

     F_d = sess.run(d, feed_dict={global_: i})

     F_D.append(F_d)

plt.figure(1)

l1, = plt.plot(range(global_steps), F_D, 'r-') # staircase=False

l2, = plt.plot(range(global_steps), T_C, 'b-') # staircase=True

plt.legend(handles=[l1, l2, ], labels=['staircase=False', 'staircase=True'], loc='best', )

plt.show()

結果如圖：

---------------------
原文：https://blog.csdn.net/u013061183/article/details/79334697