Tensorflow 使用LearningRateSchedule时要适应的多个调用

如果我使用优化器使用

LearningRateSchedule

对Keras模型进行“编译”，并多次运行

model.fit（）

一个历元，它会每次重新启动学习速率调度器还是保持其状态

model=create\u keras\u model（）
lr_调度程序=创建lr_调度程序（）
优化器=Adam（学习率=lr调度程序）
对于范围内的i（10）
model.fit（数据集，epochs=1）

---

谢谢。

为什么不在for循环中创建lr\u调度程序=创建lr\u调度程序（）？你能分享你的调度程序代码吗？如果您的计划程序位于def lr_schedule（epoch）的from中，则您可以基于epoch重置它。该计划程序只是

分段常量的一个实例。我在ray tune库的
Trainable
界面上使用它，为了超参数优化，使用BOHB我需要在每个历元后序列化训练状态，我发现最简单的方法是使用
模型。编译
然后
模型。保存
，然后在每次迭代中使用
模型。拟合
，这就是导致这个问题的原因。我试着在每次迭代中创建一个新的优化程序，但是光线调节函数的方式并不能与这种方式配合使用。。。PS：我不熟悉ray tune。为什么不在for循环中创建lr_调度程序=create_lr_调度程序（）？你能分享你的调度程序代码吗？如果您的计划程序位于def lr_schedule（epoch）的from中，则您可以基于epoch重置它。该计划程序只是
分段常量的一个实例。我在ray tune库的
Trainable
界面上使用它，为了超参数优化，使用BOHB我需要在每个历元后序列化训练状态，我发现最简单的方法是使用
模型。编译
然后
模型。保存
，然后在每次迭代中使用
模型。拟合
，这就是导致这个问题的原因。我试着在每次迭代中创建一个新的优化程序，但是光线调节函数的方式并不能与这种方式配合使用。。。附言：我是雷·图恩的新手。