学习率（learning rate）是深度学习或机器学习中非常重要的一个超参数，主要控制着模型参数更新的步伐大小。如果学习率设置过大，会产生以下几种典型问题：
损失函数震荡甚至发散
学习率很大时，每一次参数更新的步伐很大，容易导致参数在最优解附近来回跳跃，甚至越跳越远，造成训练损失（loss）反而增大，模型无法收敛。
无法收敛到最优解
理想情况下，学习率适中时，模型能够逐步逼近全局（或局部）最小值；学习率过大时可能直接跨越了最优点，反复跳跃，最终很难到达最优解或收敛到一个很差的位置。
训练不稳定
损失曲线表现为剧烈波动、不规则甚至上升，很难找到训练的规律性与稳定性。
可能导致梯度爆炸
某些情况下，过大的学习率还可能加剧梯度爆炸问题，尤其是一开始梯度较大时。
图示说明：
举个简单的例子，假如你在一个碗状的曲线（即损失函数）表面“下山”寻找谷底（最优解），学习率太大，相当于你每一步都跳得很远，就很可能频繁跨过谷底跳到另一侧，永远都找不到谷底。
参考案例
假如你用 SGD 训练网络，发现 loss 一直高位波动甚至逐渐上升，可以先试着调小学习率，看模型是否变得稳定、收敛。许多训练框架（如 PyTorch、TensorFlow）表现在 loss 曲线中：学习率合理时，曲线平滑下降；学习率过大时，曲线锯齿、波动剧烈甚至发散。
小结：
学习率过大通常会导致模型训练不稳定甚至完全无法收敛。实际训练时，可以通过学习率搜索、调整或使用学习率衰减/自适应优化器等方法，找到一个合适的学习率。