在PyTorch中，可以通過以下幾種方式來調整學習率：

1. 使用torch.optim.lr_scheduler模塊中的學習率調度器來自動調整學習率。可以選擇不同的學習率調度策略，如StepLR、ReduceLROnPlateau、CosineAnnealingLR等。在每個epoch或batch結束時，調用學習率調度器的step方法即可更新學習率。

import torch.optim as optim
from torch.optim.lr_scheduler import StepLR

optimizer = optim.SGD(model.parameters(), lr=0.1)
scheduler = StepLR(optimizer, step_size=30, gamma=0.1)

for epoch in range(num_epochs):
    # Train the model
    ...
    
    # Update learning rate
    scheduler.step()

2. 手動設置學習率。可以在訓練過程中根據需要手動調整學習率，例如在特定的epoch或條件下改變學習率。

optimizer = optim.SGD(model.parameters(), lr=0.1)

for epoch in range(num_epochs):
    # Train the model
    ...
    
    if epoch == 30:
        for param_group in optimizer.param_groups:
            param_group['lr'] = 0.01

3. 使用torch.optim模塊中的optimizer.param_groups來調整學習率。通過修改optimizer.param_groups中的lr參數來更新學習率。

optimizer = optim.SGD(model.parameters(), lr=0.1)

for epoch in range(num_epochs):
    # Train the model
    ...
    
    if epoch % 10 == 0:
        for param_group in optimizer.param_groups:
            param_group['lr'] *= 0.1

以上是幾種常見的調整學習率的方法，在訓練神經網絡時可以根據實際情況選擇合適的方式調整學習率。