大多数课程学习方法需要对数据样本按难度进行排序，这一过程通常繁琐且难以实施。在本工作中，我们提出了一种新型课程学习方法——学习率课程学习（Learning Rate Curriculum, LeRaC），该方法通过为神经网络的每一层分配不同的学习率，在初始训练阶段构建一种与数据无关的课程学习机制。具体而言，LeRaC为靠近输入层的神经网络层分配较高的学习率，并随着层数远离输入层而逐步降低学习率。在训练初期的多个迭代过程中，各层的学习率以不同速率上升，直至全部达到相同的值。此后，模型即按照常规方式继续训练。该方法形成了一种模型层面的课程学习策略，无需对样本按难度排序，且适用于任意神经网络架构，无论模型结构如何，均能显著提升性能。我们在计算机视觉（CIFAR-10、CIFAR-100、Tiny ImageNet、ImageNet-200、Food-101、UTKFace、PASCAL VOC）、自然语言处理（BoolQ、QNLI、RTE）和音频处理（ESC-50、CREMA-D）领域的12个数据集上开展了全面实验，覆盖多种卷积网络（ResNet-18、Wide-ResNet-50、DenseNet-121、YOLOv5）、循环网络（LSTM）以及Transformer架构（CvT、BERT、SepTr）。我们将所提方法与传统的训练方式，以及当前最先进的无数据依赖课程学习方法——平滑课程学习（Curriculum by Smoothing, CBS）进行了对比。与CBS不同，我们的方法在所有数据集和模型上均一致地超越标准训练方式，展现出稳定的性能提升。此外，在训练效率方面，LeRaC显著优于CBS，且无需额外计算开销（其训练成本与标准训练相当）。相关代码已公开，可访问：https://github.com/CroitoruAlin/LeRaC。