采用def train_one_epoch，def train这种结构代码怎么设置动态学习率

如果你的代码采用了类似于`def train_one_epoch`和`def train`这样的结构，你可以在`train`函数中通过以下方式来设置动态学习率：

1. 在初始化optimizer时，设置初始学习率为一个变量，比如`init_lr`。

optimizer = optim.Adam(model.parameters(), lr=init_lr, weight_decay=1e-4)

2. 在每个epoch开始时，根据当前epoch的值动态更新学习率。

scheduler.step(epoch)

这里的`scheduler`可以使用PyTorch中的`lr_scheduler`模块中的任意一种学习率调度器，比如`MultiStepLR`、`StepLR`等，它们的用法都非常相似。`epoch`表示当前训练的epoch数，每个epoch结束后，它会自动加1。

完整的代码如下：

def train(args, model, train_loader, test_loader, boardio, textio, checkpoint):
    init_lr = args.lr
    optimizer = optim.Adam(model.parameters(), lr=init_lr, weight_decay=1e-4)
    scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[50, 100, 150], gamma=0.1)

    if checkpoint is not None:
        min_loss = checkpoint['min_loss']
        optimizer.load_state_dict(checkpoint['optimizer'])

    best_test_loss = np.inf
    best_test_mse_ab = np.inf
    best_test_rmse_ab = np.inf
    best_test_mae_ab = np.inf

    best_test_r_mse_ab = np.inf
    best_test_r_rmse_ab = np.inf
    best_test_r_mae_ab = np.inf

    best_test_t_mse_ab = np.inf
    best_test_t_rmse_ab = np.inf
    best_test_t_mae_ab = np.inf

    for epoch in range(args.epochs):
        # 动态更新学习率
        scheduler.step(epoch)

        train_loss, train_mse_ab, train_mae_ab, train_rotations_ab, train_translations_ab, train_rotations_ab_pred, \
        train_translations_ab_pred, train_eulers_ab, = train_one_epoch(args.device, model, train_loader, optimizer)

        test_loss,  test_mse_ab, test_mae_ab, test_rotations_ab, test_translations_ab, test_rotations_ab_pred, \
        test_translations_ab_pred, test_eulers_ab = test_one_epoch(args.device, model, test_loader)

        # 记录最佳结果
        ...

这样，你就可以在训练过程中动态地调整学习率了。