在Caffe框架中，学习率调整策略主要有以下几种：
固定学习率（Fixed Learning Rate）：在训练过程中保持不变的学习率。
随时间衰减学习率（Step Down Learning Rate）：在训练过程中随着时间的推移逐步减小学习率。
多项式衰减学习率（Polynomial Decay Learning Rate）：在训练过程中根据多项式函数的衰减规律逐步减小学习率。
指数衰减学习率（Exponential Decay Learning Rate）：在训练过程中根据指数函数的衰减规律逐步减小学习率。
自适应学习率（Adaptive Learning Rate）：根据当前模型的性能和训练过程中的反馈信息来动态调整学习率，如使用动量（momentum）和自适应梯度算法（Adagrad、RMSprop、Adam等）来调整学习率。
这些学习率调整策略可以根据具体任务和数据集的特点来选择，以帮助模型更快地收敛并取得更好的性能。
