【caffe】caffe中solver.prototxt参数说明

傷城~ 2022-05-16 07:10 197阅读 0赞

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

solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为

# caffe train --solver=*_slover.prototxt

在Deep Learning中，往往loss function是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forward)算法和后向（backward)算法来更新参数，从而最小化loss，实际上就是一种迭代的优化算法。

到目前的版本，caffe提供了六种优化算法来求解最优参数，在solver配置文件中，通过设置type类型来选择。

*  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"`)

具体的每种方法的介绍，请看本系列的下一篇文章, 本文着重介绍solver配置文件的编写。

Solver的流程：

1.     设计好需要优化的对象，以及用于学习的训练网络和用于评估的测试网络。（通过调用另外一个配置文件prototxt来进行）

2.     通过forward和backward迭代的进行优化来跟新参数。

3.     定期的评价测试网络。 （可设定多少次训练后，进行一次测试）

4.     在优化过程中显示模型和solver的状态

在每一次的迭代过程中，solver做了这几步工作：

1、调用forward算法来计算最终的输出值，以及对应的loss

2、调用backward算法来计算每层的梯度

3、根据选用的slover方法，利用梯度进行参数更新

4、记录并保存每次迭代的学习率、快照，以及对应的状态。

接下来，我们先来看一个实例：

![复制代码][copycode.gif]

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

![复制代码][copycode.gif]

接下来，我们对每一行进行详细解译：

net: "examples/mnist/lenet_train_test.prototxt"

设置深度网络模型。每一个模型就是一个net，需要在一个专门的配置文件中对net进行配置，每个net由许多的layer所组成。每一个layer的具体配置方式可参考本系列文文章中的（2）-（5）。注意的是：文件的路径要从caffe的根目录开始，其它的所有配置都是这样。

也可用train\_net和test\_net来对训练模型和测试模型分别设定。例如：

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

接下来第二行：

test_iter: 100

这个要与test layer中的batch\_size结合起来理解。mnist数据中测试样本总数为10000，一次性执行全部数据效率很低，因此我们将测试数据分成几个批次来执行，每个批次的数量就是batch\_size。假设我们设置batch\_size为100，则需要迭代100次才能将10000个数据全部执行完。因此test\_iter设置为100。执行完一次全部数据，称之为一个epoch

test_interval: 500

测试间隔。也就是每训练500次，才进行一次测试。

base_lr: 0.01

lr_policy: "inv"

gamma: 0.0001

power: 0.75

这四行可以放在一起理解，用于学习率的设置。只要是梯度下降法来求解优化，都会有一个学习率，也叫步长。base\_lr用于设置基础学习率，在迭代的过程中，可以对基础学习率进行调整。怎么样进行调整，就是调整的策略，由lr\_policy来设置。

http://stackoverflow.com/questions/30033096/what-is-lr-policy-in-caffe  详细的说明lr\_policy的参数变化  有图

[点击打开链接][Link 1]

lr\_policy可以设置为下面这些值，相应的学习率的计算为：

*    
    
    
     *  \- fixed:　　 保持base\_lr不变.
     *  \- step: 　　 如果设置为step,则还需要设置一个stepsize,  返回 base\_lr \* gamma ^ (floor(iter / stepsize)),其中iter表示当前的迭代次数
     *  \- exp:   　　返回base\_lr \* gamma ^ iter， iter为当前迭代次数
     *  \- inv:　　    如果设置为inv,还需要设置一个power, 返回base\_lr \* (1 + gamma \* iter) ^ (- power)
     *  \- multistep: 如果设置为multistep,则还需要设置一个stepvalue。这个参数和step很相似，step是均匀等间隔变化，而multistep则是根据                                 stepvalue值变化
     *  \- poly: 　　  学习率进行多项式误差, 返回 base\_lr (1 - iter/max\_iter) ^ (power)
     *  \- sigmoid:　学习率进行sigmod衰减，返回 base\_lr ( 1/(1 + exp(-gamma \* (iter - stepsize))))

multistep示例：

![复制代码][copycode.gif]

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

![复制代码][copycode.gif]

接下来的参数：

momentum ：0.9

上一次梯度更新的权重，具体可参看下一篇文章。

type: SGD

优化算法选择。这一行可以省掉，因为默认值就是SGD。总共有六种方法可选择，在本文的开头已介绍。

weight_decay: 0.0005

权重衰减项，防止过拟合的一个参数。

display: 100

每训练100次，在屏幕上显示一次。如果设置为0，则不显示。

max_iter: 20000

最大迭代次数。这个数设置太小，会导致没有收敛，精确度很低。设置太大，会导致震荡，浪费时间。

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

快照。将训练出来的model和solver状态进行保存，snapshot用于设置训练多少次后进行保存，默认为0，不保存。snapshot\_prefix设置保存路径。

还可以设置snapshot\_diff，是否保存梯度值，默认为false,不保存。

也可以设置snapshot\_format，保存的类型。有两种选择：HDF5 和BINARYPROTO ，默认为BINARYPROTO

solver_mode: CPU

设置运行模式。默认为GPU,如果你没有GPU,则需要改成CPU,否则会出错。

具体代码加解释：

net: "models/bvlc_reference_caffenet/train_val.prototxt" #设置网络模型，文件的路径要从caffe的根目录开始 
         test_iter: 1000 #与test layer中的batch_size结合起来理解，假设样本总数为10000，一次性执行全部数据效率低，因此将测试数据分成几个批次来执行，每个批次的数量就是batch_size。假设batch_size为100,则需要迭代100次才能将10000个数据全部执行完，因此test_iter设置为100. 
         test_interval: 1000 #测试间隔，也就是每训练test_interval次，才进行一次测试 
         base_lr: 0.01 #0.01基础学习率，因为数据量小，0.01就会下降太快了，因此改成0.001 
         lr_policy: "step" #学习率变化 
         gamma: 0.1 #学习率变化的比率 
         #base_lr\lr_policy\gamma\power四个可以一起理解，用于学习率的设置。只要是梯度下降法来求解优化，都会有一个学习率，也叫步长。base_lr用于设置基础学习率，在迭代过程中，可以对基础学习率进行调整。怎样进行调整，也就是调整的策略，由lr_poliy来设置。 
         stepsize: 100000 #每stepsize次迭代减少学习率 
         display: 20 #每训练display次在屏幕上显示一次 
         max_iter: 450000 #最大迭代次数，这个数设置太小，会导致没有收敛，精确度很低。设置太大，会导致震荡，浪费时间 
         momentum: 0.9 #上一次梯度更新的权重 
         weight_decay: 0.0005 #权重衰减项，防止过拟合的一个参数 
         snapshot: 10000 
         snapshot_prefix: "models/bvlc_reference_caffenet/caffenet_train" #snapshot\snapshot_prefix 快照。将训练出来的model和solver状态进行保存，snapshot用于设置训练多少次后进行保存，默认为0，不保存。snapshot_prefix 设置保存路径。也可以用snapshot_format来保存类型，有两种选择：HDF5 和 BINARYPROTO ，默认类型为后者 
         solver_mode: CPU #设置运行模式，默认为GPU 
         #GPU模式 
         #solver_mode: GPU 
         #device_id: 0 #在cmdcaffe接口下，GPU序号从0开始，如果有一个GPU，则device_id:0

[copycode.gif]: /images/20220516/388516e4aff842469a11539757d9f3b2.png
[Link 1]: http://stackoverflow.com/questions/30033096/what-is-lr-policy-in-caffe