如何获取并修改Keras模型学习率？打印optimizer.lr仅返回变量对象

嘿，你直接打印ig_cnn_model.optimizer.lr的方法确实不对——你看到的<tf.Variable 'lr_6:0' shape=() dtype=float32_ref>只是TensorFlow变量的引用信息，不是实际的学习率数值。下面给你讲讲正确的操作方式：

一、查看当前学习率 #

根据你的使用场景，分两种情况处理：

• 静态学习率（未使用学习率调度器）：直接调用numpy()方法获取实际数值：

  print(ig_cnn_model.optimizer.lr.numpy())
  

• 动态学习率（使用了ReduceLROnPlateau、StepLR等调度器）：此时optimizer.lr存储的可能是初始学习率，当前生效的是经过调度器衰减后的结果，需要用这个方法获取：

  import tensorflow as tf
  print(ig_cnn_model.optimizer._decayed_lr(tf.float32).numpy())
  

二、修改学习率 #

同样分场景操作：

• 直接修改静态学习率：用assign()方法给lr变量赋值即可：

  # 示例：将学习率设置为0.0001
  ig_cnn_model.optimizer.lr.assign(0.0001)
  

• 修改动态学习率（临时覆盖调度器）：如果想强制设置一个新的学习率，同样可以用assign()方法，之后调度器会基于这个新值继续按规则调整。如果需要调整调度器的参数，建议重新定义调度器并关联模型，但训练中途调整参数比较繁琐，优先推荐assign方式。
• 避坑提醒：训练中途不要轻易重新编译模型（比如model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=new_lr))），这会重置模型的训练状态，之前200个epoch的训练成果会白费。

内容的提问来源于stack exchange，提问作者user14492