我可以动态改变Keras中神经网络的学习速率吗？

我正在尝试实现一个DQN代理，这是一个深度强化学习解决方案

我应该在一些迭代之后降低学习率，而不改变模型权重或其他任何东西。在RL问题中，“拟合”是在收集了一定数量的新事件后进行的，每个“拟合”只有一个历元，因此衰减率

目前，我找到的唯一解决方案是执行以下操作：

if(time%1000==0):
    learning_rate=learning_rate*0.75
    mainQN_temp=QNetwork(hidden_size=hidden_size, learning_rate=learning_rate)
    mainQN_temp.model.load_weights("./save/dqn-angle3-"+str(t)+".h5")
    mainQN=mainQN_temp



class QNetwork:
    def __init__(self, learning_rate=0.01, state_size=4,
                 action_size=5, hidden_size=32):

        # some layers in here

    self.optimizer = Adam(lr=learning_rate)
    self.model.compile(loss='mse', optimizer=self.optimizer)

这是最低效的事情。我尝试引用mainQN.optimizer.lr之类的东西，但运气不佳。

K.set\u值（model.optimizer.lr，new\u lr）

就可以了。（

K

中的导入keras.backend作为K）

相反，如果您希望在经过任意数量的批处理（即训练迭代）后减少

lr

，则可以定义自定义回调：

class ReduceLR（keras.callbacks.Callback）：
批处理端上的def（自身、批处理、日志=[]）：
如果K.eval（self.model.optimizer.iterations）>=50：
K.设定值（self.model.optimizer.lr，1e-4）
reduce_lr=ReduceLR（）
fit（x，y，回调=[reduce\u lr]）

我尝试了第一种解决方案，但我得到了“AttributeError:module'keras'没有属性'set_value'”，因此我认为这是一种不推荐使用的方法……我将查看回调函数，thanks@user1834153

导入keras.backend as K

是您可能缺少的（或者，如果您正在使用tensorflow.keras导入的

，请执行
将tensorflow.keras.backend导入为K
）