使用pytorch定义卷积神经网络如何设置学习率衰减

在PyTorch中，可以使用torch.optim.lr_scheduler模块来设置学习率衰减。以下是使用StepLR调度器来设置每过一定的epoch就将学习率衰减一定的倍数的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim.lr_scheduler import StepLR

# 定义卷积神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(nn.functional.relu(self.conv1(x)))
        x = self.pool(nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 定义数据集和优化器
train_loader = torch.utils.data.DataLoader(...)
model = Net()
optimizer = optim.SGD(model.parameters(), lr=0.1)

# 定义学习率衰减策略
scheduler = StepLR(optimizer, step_size=10, gamma=0.1)

# 训练模型
for epoch in range(num_epochs):
    for i, (inputs, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = nn.CrossEntropyLoss()(outputs, labels)
        loss.backward()
        optimizer.step()
    scheduler.step()

# 在每个step_size（这里为10）个epoch后，学习率会乘以gamma（这里为0.1），从而实现学习率衰减。

如果想使用其他的学习率衰减策略，只需要更改scheduler的类型和对应的参数即可。