torch.optim.lr_scheduler.MultiStepLR的具体用法，据个例子

当使用 `torch.optim.lr_scheduler.MultiStepLR` 时，需要先创建一个优化器对象，例如 `torch.optim.SGD`。

以下是一个示例，展示了如何使用 `torch.optim.lr_scheduler.MultiStepLR` 对学习率进行调度：

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

# 创建一个优化器
optimizer = optim.SGD(params, lr=0.1)

# 创建一个学习率调度器
scheduler = lr_scheduler.MultiStepLR(optimizer, milestones=[30, 80], gamma=0.1)

# 训练循环
for epoch in range(100):
    # 训练一个 epoch
    train(...)
    
    # 验证一下结果
    val(...)
    
    # 更新学习率
    scheduler.step()

在上面的代码中，我们首先创建了一个 `optim.SGD` 优化器对象，它有一个初始学习率为 0.1。然后，我们创建了一个 `lr_scheduler.MultiStepLR` 对象，将学习率在第 30 和 80 个 epoch 时分别降低 0.1 倍。在训练循环中，我们通过调用 `scheduler.step()` 来更新学习率。

需要注意的是，在 `scheduler.step()` 中没有传入参数，这意味着调度器会自动使用当前 epoch 的编号来更新学习率。如果你想要手动设置当前 epoch 的编号，可以将其作为参数传入 `scheduler.step()` 方法。

此外，如果你希望在每个 epoch 之前检查当前学习率，可以通过以下方式获得：

print(optimizer.param_groups[0]['lr'])