轉(zhuǎn)自：http://blog.csdn.net/cyh_24/article/details/51537709

solver.prototxt

net: "models/bvlc_alexnet/train_val.prototxt" test_iter: 1000 # test_interval: 1000 # base_lr: 0.01 # 開始的學(xué)習(xí)率 lr_policy: "step" # 學(xué)習(xí)率的drop是以gamma在每一次迭代中 gamma: 0.1 stepsize: 100000 # 每stepsize的迭代降低學(xué)習(xí)率：乘以gamma display: 20 # 沒display次打印顯示loss max_iter: 450000 # train 最大迭代max_iter momentum: 0.9 # weight_decay: 0.0005 # snapshot: 10000 # 沒迭代snapshot次，保存一次快照 snapshot_prefix: "models/bvlc_reference_caffenet/caffenet_train" solver_mode: GPU # 使用的模式是GPU

• test_iter
  在測試的時候，需要迭代的次數(shù)，即test_iter* batchsize（測試集的）=測試集的大小，測試集的 batchsize可以在prototx文件里設(shè)置。

• test_interval
  訓(xùn)練的時候，每迭代test_interval次就進(jìn)行一次測試。

• momentum
  靈感來自于牛頓第一定律，基本思路是為尋優(yōu)加入了“慣性”的影響，這樣一來，當(dāng)誤差曲面中存在平坦區(qū)的時候，SGD可以更快的速度學(xué)習(xí)。

• 
  

  wi←m?wi?η?E?wi

train_val.prototxt

layer { # 數(shù)據(jù)層name: "data"type: "Data"top: "data" top: "label" include { phase: TRAIN # 表明這是在訓(xùn)練階段才包括進(jìn)去 } transform_param { # 對數(shù)據(jù)進(jìn)行預(yù)處理 mirror: true # 是否做鏡像 crop_size: 227 # 減去均值文件 mean_file: "data/ilsvrc12/imagenet_mean.binaryproto" } data_param { # 設(shè)定數(shù)據(jù)的來源 source: "examples/imagenet/ilsvrc12_train_lmdb" batch_size: 256 backend: LMDB } }


layer {name: "data" type: "Data" top: "data" top: "label" include { phase: TEST # 測試階段 } transform_param { mirror: false # 是否做鏡像 crop_size: 227 # 減去均值文件 mean_file: "data/ilsvrc12/imagenet_mean.binaryproto" } data_param { source: "examples/imagenet/ilsvrc12_val_lmdb" batch_size: 50 backend: LMDB } }

• lr_mult
  學(xué)習(xí)率，但是最終的學(xué)習(xí)率需要乘以 solver.prototxt 配置文件中的 base_lr .

  如果有兩個 lr_mult, 則第一個表示 weight 的學(xué)習(xí)率，第二個表示 bias 的學(xué)習(xí)率
  一般 bias 的學(xué)習(xí)率是 weight 學(xué)習(xí)率的2倍’

• decay_mult
  權(quán)值衰減，為了避免模型的over-fitting，需要對cost function加入規(guī)范項。

• 
  

  wi←wi?η?E?wi?ηλwi

• num_output
  卷積核（filter）的個數(shù)

• kernel_size
  卷積核的大小。

  如果卷積核的長和寬不等，需要用 kernel_h 和 kernel_w 分別設(shè)定

• stride
  卷積核的步長，默認(rèn)為1。也可以用stride_h和stride_w來設(shè)置。

• pad
  擴(kuò)充邊緣，默認(rèn)為0，不擴(kuò)充。

  擴(kuò)充的時候是左右、上下對稱的，比如卷積核的大小為5*5，那么pad設(shè)置為2，則四個邊緣都擴(kuò)充2個像素，即寬度和高度都擴(kuò)充了4個像素，這樣卷積運(yùn)算之后的特征圖就不會變小。
  也可以通過pad_h和pad_w來分別設(shè)定。

• weight_filler
  權(quán)值初始化。 默認(rèn)為“constant”,值全為0.
  很多時候我們用”xavier”算法來進(jìn)行初始化，也可以設(shè)置為”gaussian”

weight_filler {type: "gaussian" std: 0.01 }

• bias_filler

偏置項的初始化。一般設(shè)置為”constant”, 值全為0。

bias_filler {type: "constant" value: 0 }

• bias_term

  是否開啟偏置項，默認(rèn)為true, 開啟

• group
  分組，默認(rèn)為1組。如果大于1，我們限制卷積的連接操作在一個子集內(nèi)。
  卷積分組可以減少網(wǎng)絡(luò)的參數(shù)，至于是否還有其他的作用就不清楚了。

  每個input是需要和每一個kernel都進(jìn)行連接的，但是由于分組的原因其只是與部分的kernel進(jìn)行連接的
  如: 我們根據(jù)圖像的通道來分組，那么第i個輸出分組只能與第i個輸入分組進(jìn)行連接。

• pool
  池化方法，默認(rèn)為MAX。目前可用的方法有 MAX, AVE, 或 STOCHASTIC

• dropout_ratio
  丟棄數(shù)據(jù)的概率

轉(zhuǎn)載于:https://www.cnblogs.com/Allen-rg/p/5822550.html

總結(jié)

以上是生活随笔為你收集整理的caffe 中的一些参数介绍的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。