那为什么要重写optimizer和scheduler呢，如下所示：

然后在训练的时候调用

当然是因为想要实现更多的功能，比如：
1.在迁移学习时需要冻结部分网络层的参数，

这一句就可以选择只给requires_grad=TRUE的参数设置优化器
2.很多参数希望用更方便的argparse传入，那就需要把可选的优化器、对应的初始化参数、学习策略相关参数等等，用args.*的形式设置为选项。自然需要重新一个函数进行包装。

管理并更新模型中可学习参数的值， 使得模型输出更接近真实标签。

优化器里面的基本方法：

在学习学习率调整策略之前，得先学习一个基类_LRScheduler， 因为后面的六种学习率调整策略都是继承于这个类的，所以得先明白这个类的原理：

主要属性：

主要方法：

pytorch的六种学习率调整策略小结一下：

我们需要先知道一个复杂函数中的核心语句，其次是对它进行重写包装的目的。