YoloV3学习笔记（四）——cfg解读

YoloV3学习笔记（四）——cfg解读

一、cfg文件

[net]
# Testing    #初始batch参数要分为两类，分别为训练集和测试集，不同模式相应放开参数
#batch=1
#subdivisions=1
# Training
batch=64   
#一批样本的样本数量，每batch个 样本更新一次参数
subdivisions=8  
#batch/subdivisions作为一次性送入训练样本的数量，如果内存不够大，将batch分割成subdivisions个子batch
#（subdivisions相当于分组个数，相除结果作为一次送入训练器的样本数量）
#注意：如果电脑内存小，则把batch改小一点，但batch越大，训练效果越好，subdivisions越大，可以减轻显卡压力
width=416
height=416
channels=3
#以上三个参数为输入图像的参数信息 width和height影响网络对输入图像的分辨率，从而影响precision，只可以设置成32的倍数
#（为什么是32？由于使用了下采样参数是32，所以不同的尺寸大小也选择为32的倍数{320，352…..608}
#最小320*320，最大608*608，网络会自动改变尺寸，并继续训练的过程。）
momentum=0.9
# DeepLearning1中最优化方法中的动量参数，这个值影响着梯度下降到最优值得速度 
#（注：SGD方法的一个缺点是其更新方向完全依赖于当前batch计算出的梯度，因而十分不稳定。
#  Momentum算法借用了物理中的动量概念，它模拟的是物体运动时的惯性，即更新的时候在一定程度上保留之前更新的方向，同时利用当前batch的梯度微调最终的更新方向。
#  这样一来，可以在一定程度上增加稳定性，从而学习地更快，并且还有一定摆脱局部最优的能力）
decay=0.0005
#权重衰减正则项，防止过拟合，正则项往往有重要意义
#增加样本的数量，改变基础样本的状态，去增加样本整体的数量，增加样本量减少过拟合
angle=0
#通过旋转角度来生成更多训练样本
saturation = 1.5
#通过调整饱和度来生成更多训练样本
exposure = 1.5
#通过调整曝光量来生成更多训练样本
hue=.1
#通过调整色调来生成更多训练样本

learning_rate=0.001   
#学习率决定着权值更新的速度
burn_in=1000
#在迭代次数小于burn_in时，其学习率的更新有一种方式，大于burn_in时，才采用policy的更新方式
max_batches = 500200
#训练达到max_batches后停止学习，多个batches
policy=steps
#这个是学习率调整的策略，有policy：constant, steps, exp, poly, step, sig, RANDOM等方式
#constant ——保持学习率为常量
#steps ——比较好理解，按照steps来改变学习率

#Steps和scales相互一一对应
#下面这两个参数steps和scale是设置学习率的变化，比如迭代到40000次时，学习率衰减十倍。
#45000次迭代时，学习率又会在前一个学习率的基础上衰减十倍。根据batch_num调整学习率
steps=400000,450000
scales=.1,.1  #学习率变化的比例，累计相乘

[convolutional]
batch_normalize=1  #是否做BN操作
filters=32  # 输出特征图的数量
size=3  #卷积核的尺寸
stride=1   #做卷积运算的步长
pad=1  #如果pad为0,padding由 padding参数指定。
#如果pad为1，padding大小为size/2，padding应该是对输入图像左边缘拓展的像素数量
activation=leaky
#激活函数的类型：logistic，loggy，relu，elu，relie，plse，hardtan，lhtan，linear，ramp，leaky，tanh，stair

# Downsample  #以下为训练网络结构

[convolutional]
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=32
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

# Downsample

[convolutional]
batch_normalize=1
filters=128
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

#shortcut部分是卷积的跨层连接，就像Resnet中使用的一样，参数from是−3，意思是shortcut的输出是通过与先前的倒数第三层网络相加而得到。
[shortcut]
from=-3
activation=linear
#为了解决网络的梯度弥散或者梯度爆炸的现象，提出将深层神经网络的逐层训练改为逐阶段训练，将深层神经网络分为若干个子段，
#每个小段包含比较浅的网络层数，然后用shortcut的连接方式使得每个小段对于残差进行训练，每一个小段学习总差（总的损失）的一部分，
#最终达到总体较小的loss，同时，很好的控制梯度的传播，避免出现梯度消失或者爆炸等不利于训练的情形。

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

# Downsample   #下采样

[convolutional]
batch_normalize=1
filters=256
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

<