学习率的样本数设置代码

以下是一个示例代码，用于在PyTorch中设置学习率的样本数：

import torch
import torch.optim as optim

# 定义网络模型
model = ...

# 定义优化器
optimizer = optim.SGD(model.parameters(), lr=0.1)

# 定义学习率的样本数
start_lr = [0.11, 0.1]  # 不同层的初始学习率

# 动态调整学习率的函数
def adjust_learning_rate(optimizer, epoch, start_lr):
    for index, param_group in enumerate(optimizer.param_groups):
        lr = start_lr[index] * (0.9 ** (epoch // 1))  # 每1个epoch学习率改变为上一个epoch的0.9倍
        param_group['lr'] = lr

# 在训练过程中调用adjust_learning_rate函数来动态调整学习率
for epoch in range(num_epochs):
    adjust_learning_rate(optimizer, epoch, start_lr)
    # 其他训练代码...

# 查看学习率
print("Lr:{}".format(optimizer.state_dict()['param_groups']['lr']))

这段代码中，我们首先定义了一个网络模型和一个优化器（这里使用了SGD优化器）。然后，我们定义了一个`start_lr`列表，其中包含了不同层的初始学习率。接下来，我们定义了一个`adjust_learning_rate`函数，用于动态调整学习率。在训练过程中，我们可以通过调用`adjust_learning_rate`函数来更新优化器中的学习率。最后，我们可以使用`optimizer.state_dict()['param_groups']['lr']`来查看当前的学习率。