在Caffe中，学习率衰减策略主要有以下几种：
固定衰减：在solver.prototxt文件中通过设置参数base_lr进行固定的学习率衰减。
指数衰减：通过设置参数lr_policy为“exp”，并在solver.prototxt文件中设置参数gamma和stepsize，实现指数衰减的学习率策略。
提前停止衰减：通过设置参数lr_policy为“multistep”，并在solver.prototxt文件中设置参数gamma和stepvalue，实现在指定的迭代轮数停止训练。
线性衰减：通过设置参数lr_policy为“inv”，并在solver.prototxt文件中设置参数gamma和power，实现线性衰减的学习率策略。
随机衰减：通过设置参数lr_policy为“random”，并在solver.prototxt文件中设置参数min_lr和max_lr，实现随机衰减的学习率策略。
这些是Caffe中常用的学习率衰减策略，可以根据具体的任务需求选择合适的策略进行调整。