最稳妥方式是使用torch.optim.lr_scheduler；手动修改param_groups0会破坏调度器内部状态，导致steplr、multisteplr等计数错乱，reducelronplateau需传入指标并设对mode，lambdalr的lr_lambda函数须正确返回乘数因子。
直接用 torch.optim.lr_scheduler 是最稳妥的方式；手动改 optimizer.param_groups[0]['lr'] 看似快，但会破坏调度器内部状态，尤其在断点续训或复合策略中极易出错。
StepLR 和 MultiStepLR 为什么训练几轮后学习率就不变了？
核心问题在于调用时机和顺序。这两个调度器依赖 epoch 计数，必须在每个 epoch 结束后、optimizer.step() 之后调用 scheduler.step()，且不能提前或漏掉。
- 常见错误：把
scheduler.step()放在optimizer.step()前，或只在验证后调用（比如误以为要等 val_loss） -
StepLR的step_size是 epoch 数，不是 batch 数；若你每轮只训 1 个 batch 却设step_size=1，它会在第 1 个 batch 后就衰减，之后再无变化 -
MultiStepLR的 milestones 列表（如[30, 60, 90]）必须是升序整数，且值不能超过总 epoch 数，否则对应节点永远不触发 - 断点恢复时，需先
optimizer.load_state_dict()，再scheduler.load_state_dict()，最后手动scheduler.step()若当前 epoch > last_epoch，否则调度器仍卡在旧步数
ReduceLROnPlateau 死活不降学习率？
它根本不是按 epoch 自动走的——它只认你传进去的那个标量指标，而且只在“指标没改善”达到耐心阈值后才动作。
- 必须调用
scheduler.step(val_loss)或scheduler.step(val_acc)，只写scheduler.step()相当于告诉它“没新数据”，它就啥也不干 -
mode='min'对应 loss 类指标（越小越好），mode='max'对应 acc 类（越大越好）；设反了会导致“明明 loss 涨了却没降 lr” -
patience是“连续多少轮没改善”，不是“总共训多少轮”；若patience=5，前 4 轮 loss 波动但没持续变好，第 5 轮才开始计数 - val_loss 若含
nan（常见于混合精度训练），ReduceLROnPlateau会直接跳过本轮判断；务必先torch.nan_to_num(val_loss, nan=1e9)或过滤
LambdaLR 自定义 warmup + cosine 怎么写才不出错？
关键在 lr_lambda 函数签名和返回值：它接收的是 epoch 索引（从 0 开始），返回的是乘数因子（比如 0.5 表示当前 lr = 初始 lr × 0.5），不是绝对学习率值。
- 别在 lambda 里硬写
epoch + 1—— PyTorch 传入的就是当前 epoch 编号，从 0 起始，直接用即可 - warmup 阶段返回值必须从 0 开始线性上升（否则第 0 轮 lr=0，梯度更新失效）；常用写法：
return min(1.0, (epoch + 1) / warmup_epochs) - cosine 部分注意
T_max是半周期长度，不是总 epoch 数；若想全程退火，T_max应设为总 epoch 数减 warmup 长度 - 函数里别调用
optimizer.param_groups[0]['lr']——LambdaLR只负责算因子，实际更新由调度器内部完成
最容易被忽略的是：所有调度器都假设 epoch 计数严格递增且无跳变。如果你在训练循环里用了 continue 跳过某些 epoch，或用了非标准的 epoch 定义（比如按 batch 数折算），last_epoch 状态就会失准，导致学习率节奏彻底乱掉。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
