我只是想为我的第一个CNN设置一个学习率时间表，我发现有多种方法可以做到这一点：
- 可以使用
tf.keras.callbacks.LearningRateScheduler()在回调中包含时间表 - 可以使用
tf.keras.optimizers.schedules.LearningRateSchedule()将其传递给优化器
现在我想知道是否有任何差异，如果有，它们是什么？如果没有区别的话，为什么会有这些替代方案呢？是否有历史原因(应该首选哪种方法(？
有人能详细说明吗？
tf.keras.callbacks.LearningRateScheduler()和tf.keras.optimizers.schedules.LearningRateSchedule()都提供相同的功能，即在训练模型时实现学习率衰减。
一个明显的区别可能是tf.keras.callbacks.LearningRateScheduler在其构造函数中接受了一个函数，如文档中所述
tf.keras.callbacks.LearningRateScheduler(schedule, verbose=0)
schedule：一个函数，以epoch索引(整数，从0开始索引(和当前学习率(float(作为输入，并返回新的学习率作为输出。
schedule函数将返回给定当前历元索引的学习率。要实现各种类型的LR衰变，如指数衰变、多项式衰变等，您需要在schedule方法中自行编码。
另一方面，tf.keras.optimizers.schedules.LearningRateSchedule()是一个高级类。tf.keras.optimizers.schedules.*中包括的其他类型的衰变，如PolynomialDecay或InverseTimeDecay，继承了此类。因此，该模块提供了ML中常用的内置LR衰减方法。此外，要实现自定义LR衰减，您的类需要继承tf.keras.optimizers.schedules.LearningRateSchedule()并覆盖__call__和__init__等方法，如文档中所述，
要实现自己的调度对象，您应该实现调用方法，该方法采用步参数(标量整数张量，当前训练步数(。
结论：
如果您想使用一些内置的LR衰变，请使用
tf.keras.optimizers.schedules.*模块，即该模块中提供的LR衰变。如果您需要一个只需要epoch索引作为参数的简单自定义LR衰减，请使用
tf.keras.callbacks.LearningRateScheduler。如果您的自定义LR Decay需要比epoch索引更多的参数，请创建一个新类并继承
tf.keras.optimizers.schedules.LearningRateSchedule。