仅对于一个参数组（如您给出的示例），您可以使用此函数并在训练期间调用它，以获取当前学习率：

def get_lr(optimizer):
    for param_group in optimizer.param_groups:
        return param_group['lr']

或者，您可以将lr_scheduler与优化器沿着使用，并简单地调用内置的lr_scheduler.get_lr()方法。
下面是一个例子：

my_optimizer = torch.optim.Adam( my_model.parameters(), 
                                 lr = 0.001, 
                                 weight_decay = 0.002)

my_lr_scheduler = torch.optim.lr_scheduler.StepLR( my_optimizer, 
                                                step_size = 50, 
                                                gamma = 0.1)

# train
...
my_optimizer.step()
my_lr_scheduler.step()

# get learning rate
my_lr = my_lr_scheduler.get_lr()
# or
my_lr = my_lr_scheduler.optimizer.param_groups[0]['lr']

使用lr_scheduler的额外好处是可以更好地控制lr随时间的变化; lr_decay等。有关lr_scheduler参数，请参阅pytorch文档。

使用优化器。param_groups[-1]['lr']