学习率下降代码 torch

学习率下降是深度学习中非常重要的一个技巧，可以提高模型的收敛速度和准确率。在 PyTorch 中，可以通过 `torch.optim.lr_scheduler` 模块来实现学习率下降。

以下是一个简单的示例代码，展示如何在训练过程中使用学习率下降：

import torch
import torch.optim as optim
import torch.optim.lr_scheduler as lr_scheduler

# 定义模型和优化器
model = ...
optimizer = optim.SGD(model.parameters(), lr=0.1, momentum=0.9)

# 定义学习率下降策略
scheduler = lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1)

# 训练循环
for epoch in range(num_epochs):
    # 在每个 epoch 开始时调用 scheduler.step() 函数
    scheduler.step()

    for batch_idx, (data, target) in enumerate(train_loader):
        # 计算损失和梯度，更新模型参数
        optimizer.zero_grad()
        output = model(data)
        loss = ...
        loss.backward()
        optimizer.step()

在这个示例中，我们首先定义了一个 `SGD` 优化器，然后创建了一个 `StepLR` 学习率下降策略，其中 `step_size` 参数表示每隔多少个 epoch 调整一次学习率，`gamma` 参数表示学习率缩放因子。在训练循环中，每个 epoch 开始时调用 `scheduler.step()` 函数，该函数会根据定义的学习率下降策略自动调整学习率。