Python 3.x TensorFlow 2.0-学习速率调度器

我使用的是Python 3.7和TensorFlow 2.0，我必须用以下学习率计划程序训练一个神经网络，用于160个时代：

def scheduler(epoch):
    if epoch < 80:
        return 0.01
    elif epoch >= 80 and epoch < 120:
        return 0.01 / 10
    elif epoch >= 120:
        return 0.01 / 100

callback = tf.keras.callbacks.LearningRateScheduler(scheduler)

model.fit(
    x = data, y = labels,
    epochs=100, callbacks=[callback],
    validation_data=(val_data, val_labels))

在80和120个时期，将学习率降低10倍，其中初始学习率=0.01

如何编写函数以合并此学习率计划程序：

def scheduler(epoch):
    if epoch < 80:
        return 0.01
    elif epoch >= 80 and epoch < 120:
        return 0.01 / 10
    elif epoch >= 120:
        return 0.01 / 100

callback = tf.keras.callbacks.LearningRateScheduler(scheduler)

model.fit(
    x = data, y = labels,
    epochs=100, callbacks=[callback],
    validation_data=(val_data, val_labels))

def调度程序（历元）： 如果历元<80： 返回0.01 elif epoch>=80和epoch<120: 返回0.01/10 elif epoch>=120： 返回0.01/100 callback=tf.keras.callbacks.LearningRateScheduler（调度器） 模型拟合( x=数据，y=标签， epochs=100，callbacks=[callback]， 验证_数据=（val_数据，val_标签）） 这是正确的实现吗

---

谢谢

tf.keras.callbacks.LearningRate调度程序需要一个函数，该函数以历元索引作为输入（整数，从0开始索引），并返回一个新的学习速率作为输出（浮点）：

---

这将使80和120个时代的学习率降低10倍，并与其他所有时代保持一致。

如何使用“scheduler（）”函数将学习率调度器与“GradientTape”结合使用？或者，我应该为它提出一个新问题吗？谢谢@阿伦：事实上，评论中的后续问题并不是如何运作的；如果解决了您的问题，请接受答案（请参阅），并且您可以随时为任何其他问题提出新问题。