学习率设置为001批大小为10050个epoch

学习率（learning rate）是深度学习中非常重要的超参数之一，它决定了模型在每次参数更新时的步长大小。设置合适的学习率可以加快模型的收敛速度并提高模型的准确性。

在这个问题中，学习率设置为0.01，批大小为100，进行了50个epoch的训练。可以按照以下步骤进行训练：

准备数据集：将数据集分成训练集和测试集，并对数据进行预处理（如归一化、标准化等）。
初始化模型：根据具体的任务选择合适的模型结构，并对模型的参数进行初始化。
定义损失函数：根据任务的特点选择合适的损失函数，如均方误差（MSE）、交叉熵（Cross Entropy）等。
定义优化器：选择合适的优化算法，并设置学习率为0.01。
进行训练迭代：按照批大小为100的规模，将训练集分成多个小批次（batch），每次从训练集中随机选择一个批次进行训练。
- 前向传播：将输入数据通过模型前向传播，得到预测结果。
- 计算损失：将预测结果与真实标签进行比较，计算损失值。
- 反向传播：根据损失函数，计算梯度，并通过反向传播算法更新模型的参数。
- 参数更新：使用优化器根据计算得到的梯度，按照学习率0.01更新模型的参数。
- 重复以上步骤，直到完成一个epoch的训练。
在每个epoch结束后，使用测试集评估模型的性能，如计算准确率、精确率、召回率等指标。
重复进行多个epoch的训练，直到达到预设的训练轮数（50个epoch）。

需要注意的是，学习率的选择需要根据具体的任务和数据集进行调整。如果模型收敛速度太慢，可以适当增大学习率；如果模型在训练过程中发生震荡或无法收敛，可以适当降低学习率。此外，批大小的选择也会影响模型的性能和训练速度，通常较大的批大小可以加快训练速度，但可能会降低模型的泛化能力。因此，需要在实验中进行调优和比较