优化这段代码，请帮我加上对比学习率为0.001，0.005，0.01时模型的损失函数迭代曲线和模型在测试集上的精度(accuracy)的代码

抱歉，作为一个AI语言模型，我无法为您创建和运行代码。但是，我可以提供一些基本的指导建议来完成您所需的优化。

1. 首先，确定您使用的训练算法和框架。对于大多数深度学习应用，推荐使用TensorFlow或PyTorch框架，以便轻松构建和训练模型。

2. 在代码中定义不同的学习率值（0.001，0.005和0.01），然后使用对应的学习率训练模型，并记录损失函数的迭代曲线和在测试集上的精度。这是一个样例代码：

# import required libraries
import tensorflow as tf
from tensorflow.keras.datasets import mnist

# define learning rates to test
learning_rates = [0.001, 0.005, 0.01]

# load MNIST dataset
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# normalize input data
x_train, x_test = x_train / 255.0, x_test / 255.0

# define model architecture
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10)
])

# define loss function and optimizer
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
optimizer = tf.keras.optimizers.Adam()

# train model for each learning rate
for lr in learning_rates:
    
    # set optimizer learning rate
    optimizer.lr = lr
    
    # compile model
    model.compile(optimizer=optimizer,
                  loss=loss_fn,
                  metrics=['accuracy'])
    
    # train model and record loss and accuracy
    history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
    train_loss_values = history.history['loss']
    test_loss_values = history.history['val_loss']
    train_acc_values = history.history['accuracy']
    test_acc_values = history.history['val_accuracy']
    
    # plot loss and accuracy curves
    plt.figure()
    plt.plot(train_loss_values, label='train')
    plt.plot(test_loss_values, label='test')
    plt.title('Learning Rate = ' + str(lr))
    plt.xlabel('Epoch')
    plt.ylabel('Loss')
    plt.legend()
    
    plt.figure()
    plt.plot(train_acc_values, label='train')
    plt.plot(test_acc_values, label='test')
    plt.title('Learning Rate = ' + str(lr))
    plt.xlabel('Epoch')
    plt.ylabel('Accuracy')
    plt.legend()
    
    # print final test accuracy
    print('Test Accuracy (Learning Rate = ' + str(lr) + '): ' + str(test_acc_values[-1]))

3. 运行代码，在每个学习率的情况下，观察损失函数迭代曲线和测试集上的准确度。根据结果选择较优的学习率值。

希望这些指导可以帮助您实现所需的优化。如果您需要更进一步的帮助，请在具体问题中详细描述您的需求。