在pytorch训练过程中可以通过下面这一句代码来打印当前学习率
print(net.optimizer.state_dict()[‘param_groups’][0][‘lr’])
补充知识：Pytorch：代码实现不同层设置不同的学习率，选择性学习某些层参数
1，如何动态调整学习率
在使用pytorch进行模型训练时，经常需要随着训练的进行逐渐降低学习率，在pytorch中给出了非常方面的方法：
假设我们定义了一个优化器：
代码语言：javascript复制import torch
import torch.nn as nn
optimizer = torch.optim(model.parameters(), lr = 0.01, momentum = 0.9)该优化器的初始化学习为0.01，
如果我们学习每个”n” 个epoch把学习率降低为原来的0.9倍，则需要声明一个学习率调节器：
torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)
其中：
optimizer: 前面声明的优化器；
step_size: 每step_size个epoch学习率降低为原来的gamma倍，
last_epoch: 当前所处的epoch
例如：
代码语言：javascript复制# Assuming optimizer uses lr = 0.05 for all groups
# lr = 0.05 if epoch < 30
# lr = 0.005 if 30 <= epoch < 60
# lr = 0.0005 if 60 <= epoch < 90
# ...
scheduler = StepLR(optimizer, step_size=30, gamma=0.1)
for epoch in range(100):
scheduler.step()
train(...)
validate(...)另外其他常用的更新策略类似：
torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma, last_epoch=-1) torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1) torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode=’min’, factor=0.1, patience=10, verbose=False, threshold=0.0001, threshold_mode=’rel’, cooldown=0, min_lr=0, eps=1e-08) torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda, last_epoch=-1)
2，如何选择性学习某些参数
对于我们现有的模型model，通过调整参数的requires_grad 属性控制该模型是否参与求导运算
代码语言：javascript复制for name, param in model.named_parameters():
if param.requires_grad:
print("requires_grad: True ", name)
else:
print("requires_grad: False ", name)如果模型中包含多个子模块，可用通过
sub_block = model.children()
获取该模块，然后通过迭代索引的方式获取参数：
for name, param in sub_block.named_parameters（）
以上这篇pytorch实现查看当前学习率就是小编分享给大家的全部内容了，希望能给大家一个参考。
