torch7：为不同的卷积神经网络层设置可变学习率

我正在尝试微调一个卷积神经网络。它有以下结构（改编自 OverFeat）：

   net:add(SpatialConvolution(3, 96, 7, 7, 2, 2))
   net:add(nn.ReLU(true))
   net:add(SpatialMaxPooling(3, 3, 3, 3))
   net:add(SpatialConvolutionMM(96, 256, 7, 7, 1, 1))
   net:add(nn.ReLU(true))
   net:add(SpatialMaxPooling(2, 2, 2, 2))
   net:add(SpatialConvolutionMM(256, 512, 3, 3, 1, 1, 1, 1))
   net:add(nn.ReLU(true))
   net:add(SpatialConvolutionMM(512, 512, 3, 3, 1, 1, 1, 1))
   net:add(nn.ReLU(true))
   net:add(SpatialConvolutionMM(512, 1024, 3, 3, 1, 1, 1, 1))
   net:add(nn.ReLU(true))
   net:add(SpatialConvolutionMM(1024, 1024, 3, 3, 1, 1, 1, 1))
   net:add(nn.ReLU(true))
   net:add(SpatialMaxPooling(3, 3, 3, 3))
   net:add(SpatialConvolutionMM(1024, 4096, 5, 5, 1, 1))
   net:add(nn.ReLU(true))
   net:add(SpatialConvolutionMM(4096, 4096, 1, 1, 1, 1))
   net:add(nn.ReLU(true))
   net:add(SpatialConvolutionMM(4096, total_classes, 1, 1, 1, 1))
   net:add(nn.View(total_classes))
   net:add(nn.LogSoftMax())

并且我正在使用 SGD 作为优化方法，并提供以下参数：

   optimState = {
      learningRate = 1e-3,
      weightDecay = 0,
      momentum = 0,
      learningRateDecay = 1e-7
   }
   optimMethod = optim.sgd

我正在按以下方式进行训练：

optimMethod(feval, parameters, optimState)

其中：

-- 'feval' 是在当前批次上进行前向和后向传递的函数 
parameters,gradParameters = net:getParameters()

从我的参考资料中，我了解到在微调预训练网络时，建议较低（卷积）层应具有较低的学习率，而较高层应具有相对较高的学习率。

我参考了 torch7 的 optim/sgd 文档以设置每层不同的学习率。从那里，我得出了设置 config.learningRates，即一个单独学习率的向量，我可以实现我想要的。由于我是 Torch 的新手，如果有人能够解释一下如何创建/使用此向量以达到我的目的，那将非常有帮助。

提前感谢。