https://www.cnblogs.com/denny402/p/5074049.html

?

solver算是caffe的核心的核心，它協(xié)調著整個模型的運作。caffe程序運行必帶的一個參數(shù)就是solver配置文件。運行代碼一般為

# caffe train --solver=*_slover.prototxt

　　

在Deep Learning中，往往loss function是非凸的，沒有解析解，我們需要通過優(yōu)化方法來求解。solver的主要作用就是交替調用前向（forward)算法和后向（backward)算法來更新參數(shù)，從而最小化loss，實際上就是一種迭代的優(yōu)化算法。

到目前的版本，caffe提供了六種優(yōu)化算法來求解最優(yōu)參數(shù)，在solver配置文件中，通過設置type類型來選擇。

• Stochastic Gradient Descent (type: "SGD"),
• AdaDelta (type: "AdaDelta"),
• Adaptive Gradient (type: "AdaGrad"),
• Adam (type: "Adam"),
• Nesterov’s Accelerated Gradient (type: "Nesterov") and
• RMSprop (type: "RMSProp")

?具體的每種方法的介紹，請看本系列的下一篇文章, 本文著重介紹solver配置文件的編寫。

Solver的流程：

1.?????設計好需要優(yōu)化的對象，以及用于學習的訓練網絡和用于評估的測試網絡。（通過調用另外一個配置文件prototxt來進行）

2.?????通過forward和backward迭代的進行優(yōu)化來跟新參數(shù)。

3.?????定期的評價測試網絡。 （可設定多少次訓練后，進行一次測試）

4.?????在優(yōu)化過程中顯示模型和solver的狀態(tài)

在每一次的迭代過程中，solver做了這幾步工作：

1、調用forward算法來計算最終的輸出值，以及對應的loss

2、調用backward算法來計算每層的梯度

3、根據選用的slover方法，利用梯度進行參數(shù)更新

4、記錄并保存每次迭代的學習率、快照，以及對應的狀態(tài)。

接下來，我們先來看一個實例：

net: "examples/mnist/lenet_train_test.prototxt" test_iter: 100 test_interval: 500 base_lr: 0.01 momentum: 0.9 type: SGD weight_decay: 0.0005 lr_policy: "inv" gamma: 0.0001 power: 0.75 display: 100 max_iter: 20000 snapshot: 5000 snapshot_prefix: "examples/mnist/lenet" solver_mode: CPU

　　接下來，我們對每一行進行詳細解譯：

net: "examples/mnist/lenet_train_test.prototxt"

設置深度網絡模型。每一個模型就是一個net，需要在一個專門的配置文件中對net進行配置，每個net由許多的layer所組成。每一個layer的具體配置方式可參考本系列文文章中的（2）-（5）。注意的是：文件的路徑要從caffe的根目錄開始，其它的所有配置都是這樣。

也可用train_net和test_net來對訓練模型和測試模型分別設定。例如：

train_net: "examples/hdf5_classification/logreg_auto_train.prototxt" test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"

　　接下來第二行：

test_iter: 100

　　這個要與test layer中的batch_size結合起來理解。mnist數(shù)據中測試樣本總數(shù)為10000，一次性執(zhí)行全部數(shù)據效率很低，因此我們將測試數(shù)據分成幾個批次來執(zhí)行，每個批次的數(shù)量就是batch_size。假設我們設置batch_size為100，則需要迭代100次才能將10000個數(shù)據全部執(zhí)行完。因此test_iter設置為100。執(zhí)行完一次全部數(shù)據，稱之為一個epoch

test_interval: 500

　　測試間隔。也就是每訓練500次，才進行一次測試。

base_lr: 0.01 lr_policy: "inv" gamma: 0.0001 power: 0.75

　　

這四行可以放在一起理解，用于學習率的設置。只要是梯度下降法來求解優(yōu)化，都會有一個學習率，也叫步長。base_lr用于設置基礎學習率，在迭代的過程中，可以對基礎學習率進行調整。怎么樣進行調整，就是調整的策略，由lr_policy來設置。

lr_policy可以設置為下面這些值，相應的學習率的計算為：

• • - fixed:　　?保持base_lr不變.
  • - step: 　　?如果設置為step,則還需要設置一個stepsize, ?返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示當前的迭代次數(shù)
  • - exp: ? 　　返回base_lr * gamma ^ iter， iter為當前迭代次數(shù)
  • - inv:　　? ? 如果設置為inv,還需要設置一個power, 返回base_lr * (1 + gamma * iter) ^ (- power)
  • - multistep:?如果設置為multistep,則還需要設置一個stepvalue。這個參數(shù)和step很相似，step是均勻等間隔變化，而multistep則是根據 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? stepvalue值變化
  • - poly: 　　 ?學習率進行多項式誤差, 返回 base_lr (1 - iter/max_iter) ^ (power)
  • - sigmoid:　學習率進行sigmod衰減，返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))

multistep示例：

base_lr: 0.01 momentum: 0.9 weight_decay: 0.0005 # The learning rate policy lr_policy: "multistep" gamma: 0.9 stepvalue: 5000 stepvalue: 7000 stepvalue: 8000 stepvalue: 9000 stepvalue: 9500

　　接下來的參數(shù)：

momentum ：0.9

　　上一次梯度更新的權重，具體可參看下一篇文章。

type: SGD

　　優(yōu)化算法選擇。這一行可以省掉，因為默認值就是SGD。總共有六種方法可選擇，在本文的開頭已介紹。

weight_decay: 0.0005

　　權重衰減項，防止過擬合的一個參數(shù)。

display: 100

　　每訓練100次，在屏幕上顯示一次。如果設置為0，則不顯示。

max_iter: 20000

　　最大迭代次數(shù)。這個數(shù)設置太小，會導致沒有收斂，精確度很低。設置太大，會導致震蕩，浪費時間。

snapshot: 5000 snapshot_prefix: "examples/mnist/lenet"

　　

快照。將訓練出來的model和solver狀態(tài)進行保存，snapshot用于設置訓練多少次后進行保存，默認為0，不保存。snapshot_prefix設置保存路徑。

還可以設置snapshot_diff，是否保存梯度值，默認為false,不保存。

也可以設置snapshot_format，保存的類型。有兩種選擇：HDF5 和BINARYPROTO ，默認為BINARYPROTO

solver_mode: CPU

　　

設置運行模式。默認為GPU,如果你沒有GPU,則需要改成CPU,否則會出錯。

?

注意：以上的所有參數(shù)都是可選參數(shù)，都有默認值。根據solver方法（type)的不同，還有一些其它的參數(shù)，在此不一一列舉。

轉載于:https://www.cnblogs.com/wlzy/p/9432774.html

總結

以上是生活随笔為你收集整理的[转]caffe中solver.prototxt参数说明的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。