tf.keras.optimizers.Adam 中 learning_rate怎么随epoch更改

可以使用Keras的回调函数来实现在每个epoch结束时更改Adam优化器的learning_rate。具体步骤如下：

1. 创建一个回调函数类，继承自`tf.keras.callbacks.Callback`。在类中实现`on_epoch_end`方法，该方法会在每个epoch结束时被调用。

2. 在`on_epoch_end`方法中根据需要更新Adam优化器的learning_rate。

下面是一个示例代码：

import tensorflow as tf
from tensorflow.keras.callbacks import Callback

class AdamLearningRateScheduler(Callback):
    def __init__(self, initial_lr, epoch_decay):
        super().__init__()
        self.initial_lr = initial_lr
        self.epoch_decay = epoch_decay
        
    def on_epoch_end(self, epoch, logs=None):
        lr = self.initial_lr / (1 + self.epoch_decay * epoch)
        tf.keras.backend.set_value(self.model.optimizer.lr, lr)
        print("Learning rate for epoch {} is {}".format(epoch+1, lr))

在上面的示例代码中，`AdamLearningRateScheduler`类继承自`tf.keras.callbacks.Callback`。它包含两个参数：`initial_lr`和`epoch_decay`，分别代表初始学习率和每个epoch的学习率下降率。

在`on_epoch_end`方法中，我们首先计算当前epoch的learning_rate，然后使用`tf.keras.backend.set_value`方法将新的学习率设置为Adam优化器的学习率，最后打印出当前epoch的学习率。

接下来，我们可以在Keras模型中使用这个回调函数。例如：

from tensorflow.keras.optimizers import Adam

model = ... # 定义模型

initial_lr = 0.001
epoch_decay = 0.001

adam = Adam(learning_rate=initial_lr)
model.compile(optimizer=adam, ...)

lr_scheduler = AdamLearningRateScheduler(initial_lr, epoch_decay)

model.fit(..., callbacks=[lr_scheduler])

在上面的代码中，我们首先定义了一个Adam优化器，并将其作为模型的优化器。然后，我们创建了一个`AdamLearningRateScheduler`实例，并将其作为回调函数传递给`fit`方法。在训练过程中，每个epoch结束时，`AdamLearningRateScheduler`会根据当前epoch更新Adam优化器的学习率。