如果你使用自定义训练循环（而不是keras.fit()），你可以简单地做：

new_learning_rate = 0.01 
my_optimizer.lr.assign(new_learning_rate)

字符串

您可以通过callback读取和分配学习率。所以你可以使用这样的东西：

class LearningRateReducerCb(tf.keras.callbacks.Callback):

  def on_epoch_end(self, epoch, logs={}):
    old_lr = self.model.optimizer.lr.read_value()
    new_lr = old_lr * 0.99
    print("\nEpoch: {}. Reducing Learning Rate from {} to {}".format(epoch, old_lr, new_lr))
    self.model.optimizer.lr.assign(new_lr)

字符串
例如，使用MNIST demo可以这样应用：

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, callbacks=[LearningRateReducerCb()], epochs=5)

model.evaluate(x_test, y_test)

型
输出如下：

Train on 60000 samples
Epoch 1/5
59744/60000 [============================>.] - ETA: 0s - loss: 0.2969 - accuracy: 0.9151
Epoch: 0. Reducing Learning Rate from 0.0010000000474974513 to 0.0009900000877678394
60000/60000 [==============================] - 6s 92us/sample - loss: 0.2965 - accuracy: 0.9152
Epoch 2/5
59488/60000 [============================>.] - ETA: 0s - loss: 0.1421 - accuracy: 0.9585
Epoch: 1. Reducing Learning Rate from 0.0009900000877678394 to 0.000980100128799677
60000/60000 [==============================] - 5s 91us/sample - loss: 0.1420 - accuracy: 0.9586
Epoch 3/5
59968/60000 [============================>.] - ETA: 0s - loss: 0.1056 - accuracy: 0.9684
Epoch: 2. Reducing Learning Rate from 0.000980100128799677 to 0.0009702991228550673
60000/60000 [==============================] - 5s 91us/sample - loss: 0.1056 - accuracy: 0.9684
Epoch 4/5
59520/60000 [============================>.] - ETA: 0s - loss: 0.0856 - accuracy: 0.9734
Epoch: 3. Reducing Learning Rate from 0.0009702991228550673 to 0.0009605961386114359
60000/60000 [==============================] - 5s 89us/sample - loss: 0.0857 - accuracy: 0.9733
Epoch 5/5
59712/60000 [============================>.] - ETA: 0s - loss: 0.0734 - accuracy: 0.9772
Epoch: 4. Reducing Learning Rate from 0.0009605961386114359 to 0.0009509901865385473
60000/60000 [==============================] - 5s 87us/sample - loss: 0.0733 - accuracy: 0.9772
10000/10000 [==============================] - 0s 43us/sample - loss: 0.0768 - accuracy: 0.9762
[0.07680597708942369, 0.9762]

型

如果你想使用低级控制，而不是使用fit的回调功能，可以看看tf.optimizers.schedules。下面是一些示例代码：

train_steps = 25000
lr_fn = tf.optimizers.schedules.PolynomialDecay(1e-3, train_steps, 1e-5, 2)
opt = tf.optimizers.Adam(lr_fn)

字符串
这将使学习速率在25000步上从1 e-3衰减到1 e-5，并具有2次幂多项式衰减。
注意事项：

• 这并不像其他答案那样真正“存储”学习率，而是学习率现在是一个函数，每次需要计算当前学习率时都会调用它。
• Optimizer示例有一个内部的步进计数器，每次调用apply_gradients时，它都会加一（据我所知...）。这使得该过程在低级上下文中（通常是tf.GradientTape）使用时能够正常工作。
• 不幸的是，这个特性没有很好的文档记录（文档只是说学习率参数必须是浮点数或Tensor......），但它确实有效。您也可以编写自己的衰减时间表。我认为它们只需要是接受优化器的某些当前“状态”（可能是训练步骤的数量）并返回一个浮点数作为学习率的函数。

你有三个解决方案：

• LearningRateScheduler，这是另一个答案中提到的回调解决方案。
• 模块：tf.keras.optimizers.schedules和几个预构建的方法，上面也提到过。
• 完全定制的解决方案是扩展tf.keras.optimizers.schedules.LearningRateSchedule（上一个模块的一部分）

以下是本教程中的一个示例：

class CustomSchedule(tf.keras.optimizers.schedules.LearningRateSchedule):
    def __init__(self, d_model, warmup_steps=4000):
        super(CustomSchedule, self).__init__()

        self.d_model = d_model
        self.d_model = tf.cast(self.d_model, tf.float32)

        self.warmup_steps = warmup_steps

    def __call__(self, step):
        arg1 = tf.math.rsqrt(step)
        arg2 = step * (self.warmup_steps ** -1.5)

        return tf.math.rsqrt(self.d_model) * tf.math.minimum(arg1, arg2)

字符串
然后将其传递给优化器：

learning_rate = CustomSchedule(d_model)

optimizer = tf.keras.optimizers.Adam(learning_rate, beta_1=0.9, beta_2=0.98, 
                                     epsilon=1e-9)

型
这样，CustomSchedule将成为您的图表的一部分，它将在模型训练时更新学习率。