Machine learning 迭代应用keras model fit（）时的学习率状态是什么？

由于数据集很大，我正在迭代地（在for循环中）应用。我的目标是将数据集分成100个部分，一次读取每个部分并应用方法

我的问题：在每次迭代中，该方法是否从我在模型编译期间设置的初始学习率（lr=0.1）开始？或者，它会记住上次更新的学习率，并将其直接应用于方法的新调用

我的代码示例如下：

#定义模型
my_model（）
#设置优化器
sgd=sgd（lr=0.1，衰变=1e-08，动量=0.9，nesterov=False）
#编译模型
compile（loss='classifical\u crossentropy'，optimizer=sgd，metrics=['accurity']）
#适合模型和训练
对于范围（100）内的j：
打印（'从大矩阵提取数据…'）
X_列=HDF5矩阵（路径_列，'X'，开始=st，结束=ed）
Y_列=HDF5矩阵（路径_列，'Y'，开始=st，结束=ed）
打印（'配件型号…'）
模型拟合（X_序列，Y_序列，批量大小=100，shuffle='batch'，nb_历元=1，
验证数据=（X_检验，Y_检验）

更新后的学习率将被存储在optimizer对象

模型中。optimizer

，它只是示例中的

sgd

变量

在诸如

LearningRateScheduler

之类的回调中，学习率变量

model.optimizer.lr

将被更新（为了清晰起见，删除了一些行）

def on_epoch_begin（self、epoch、logs=None）：
lr=自我计划（历元）
K.set_值（self.model.optimizer.lr，lr）

但是，当使用

decay

时（如您的示例中），学习率变量不会直接更新，而是更新变量

model.optimizer.iterations

。此变量记录模型拟合中使用的批次数量，并在

SGD中计算衰减学习率。get_updates（）

通过以下方式：

lr=self.lr
如果自初始衰减>0：
lr*=（1./（1.+自衰变*K.cast（自衰变），
K.d类型（自衰变）

因此，在任何一种情况下，只要模型没有重新编译，它就会在新的

fit（）

调用中使用更新的学习率