具体怎么调整学习率，原始学习率为0.01

学习率是深度学习训练中非常重要的超参数，直接影响训练的速度和效果。通常来说，学习率需要根据实际情况进行调整。以下是一些常见的学习率调整策略：

1. 固定学习率：将初始学习率设置为一个固定值，不随着训练的进行而改变。

2. 学习率衰减：在训练过程中，逐渐降低学习率。常见的学习率衰减策略有按照固定步数衰减、按照固定比例衰减等。

3. 学习率重启：在训练过程中，周期性地将学习率重置为一个较大的值，以期望模型跳出局部最优点并重新找到全局最优点。

4. 自适应学习率：根据训练过程中的梯度信息动态地调整学习率。常见的自适应学习率算法有AdaGrad、RMSProp、Adam等。

对于你提出的问题，如果你想使用学习率衰减策略，可以考虑使用一些预定义的衰减函数，如指数衰减、余弦退火等。例如，如果你想在每个epoch结束时将学习率降低到原来的0.1倍，可以使用以下代码：

from keras.callbacks import LearningRateScheduler

def lr_schedule(epoch):
    lr = 0.01
    if epoch > 6:
        lr *= 0.1
    return lr

lr_scheduler = LearningRateScheduler(lr_schedule)
model.fit(X_train, y_train, callbacks=[lr_scheduler])

其中，`lr_schedule`函数根据当前epoch返回相应的学习率，`LearningRateScheduler`是Keras中的回调函数，用于动态地调整学习率。在训练过程中，每个epoch结束时，`lr_schedule`函数会被调用一次，根据当前epoch返回相应的学习率。这样就可以实现学习率的动态衰减。