caffe中文件参数设置（六）：solver文件

说明：

一、在整个caffe框架运行过程中，solver是核心中的核心，它协调着整个模型的运作。caffe程序能否正确运行，和solver文件的参数是否设置正确有着很大的关系。

二、在Deep Learning中，往往loss funciton是非凸的，没有解析解，我们需要通过优化方法来求解。solver的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。

三、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。

四、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迭代的进行优化来更新参数。

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。

五、下面就具体的代码来说明以下solver文件中每行代码的作用：

先贴出一个完整代码

net: "examples/cifar/cifar10_quick_train_test.prototxt"
test_iter: 100
test_interval: 500
base_lr: 0.001
momentum: 0.9
weight_decay: 0.004
lr_policy: "fixed"
display: 100
max_iter: 4000
snapshot: 4000
snapshot_format: HDF5
snapshot_prefix: "examples/cifar10/cifar10_quick"
solver_mode: CPU

开始解释代码：

1、

net: "examples/cifar/cifar_train_test.prototxt"

设置网络模型，每一个模型就是一个net，需要有一个专门的配置文件对net进行配置，也就是.prototxt文件，这个文件中定义了许多layer。每一个layer的具体配置方法如博客中其它文档进行了说明。这里可以填写绝对路径，也可以填写相对路径。

2、

test_iter: 100

这个要和.prototxt文件中的test layer中的batch_size结合起来理解。假如说mnist数据集中测试样本总数为10000，一次性执行全部数据效率很低。所以我们将测试数据分批来进行。batch_size就表示了每个批次的需要训练的数据。假设batch_size=100，则表示每次测试100个数据，所以10000/100=100，因此需要迭代100次才能将10000个文件全部执行完，所以此处的test_iter=100。执行完一次全部数据，称之为一个epoch

3、

test_interval: 500

这个参数表示测试间隔，也就是每训练500次，才进行一次测试。

4、

base_lr:0.01
lr_policy:"fixed"

这四行表示学习率的设置。只要使用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。怎么进行挑中，就在.prototxt文件中的lr_policy进行设置。

lr_policy可以设置为下面这些值，相应的学习率计算为：

• • - 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)))

5、

momentum:0.9

上一次梯度更新的权重，具体可以参看本博客其它文章。

6、

type：SGD

优化算法选择，这一行可以省略，因为默认就是SGD。总共由六种方法可以选择，在文章开头有介绍。

7、

weight_decay:0.004

权重衰减项目，防止过拟合的一个参数。

8、

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。

9、

max_iter:4000

最大迭代次数，这个数设置的太小，会导致没有收敛，精确度很低。设置的太大，会导致振荡，浪费时间。

10、

snapshot: 4000
snapshot_format: HDF5
snapshot_prefix: "examples/cifar10/cifar10_quick"

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。snapshot_format表示保存的类型，由两种选择：HDF5和BINARYPROTO，默认为BINARYPROTO。除此之外还可以设置snapshot_diff：是否保存梯度值，默认false，不保存。

11、

solver_mode:CPU

设置运行模式。默认为GPU，如果只使用CPU，需要修改，否则会出错。
以上部分转自：http://blog.csdn.net/langb2014/article/details/50457774

后续遇到新问题我还会更新问题的。