概述
前面介绍了网络Net模块来描述一个神经网络,Solver负责生成训练网络和测试网络并按照算法对网络进行参数优化。跟Layer一样,Caffe把Solver实现成一个接口,使得开发者可以开发自己的Solver,其中Solver的子类需要实现ApplyUpdate函数来根据当前网络的状态对网络参数进行更新。我们可以通过SolverParameter给Solver配置一个训练网络和若干个测试网络。测试网络的作用是我们每进行若干次训练和参数更新之后,我们可以把当前的网络参数用在测试网络上测试效果。Solver也提供了接口使得客户端可以发出指令要求Solver终止训练(如果发现在测试集上效果变差)或者做快照(以便下次可以从快照开始继续训练而不用重新开始)。
Solver成员变量
SolverParameter param_; // Solver参数
int iter_; // 第几次迭代
int current_step_; //
shared_ptr<Net<Dtype> > net_; // 要优化的网络
vector<shared_ptr<Net<Dtype> > > test_nets_; // 用于测试的网络
vector<Dtype> losses_; // 存储最后average_loss次迭代的loss值。
Dtype smoothed_loss_; // 当前的最后average_loss次迭代的loss的平均值
const Solver* const root_solver_; // 它包含了root_net(有共享Layer的网络)
ActionCallback action_request_function_; // 客户端可以通过这个callback来要求Solver做一个snapshot或者退出
vector<Callback*> callbacks_;
Solver初始化函数Init
void Init(const SolverParameter& param) {
param_ = param;
InitTrainNet(); // 初始化训练网络
if (Caffe::root_solver()) {
InitTestNets(); // 初始化测试网络
}
iter_ = 0;
current_step_ = 0;
}
void InitTrainNet() {
NetParameter net_param;
// 从Solver的参数中拷贝网络参数,也可以从文件param_.train_net()、param_.net_param()和param_.net()里读出来
net_param.CopyFrom(param_.train_net_param());
NetState net_state;
// 从优先级由低到高设置网络的状态
net_state.set_phase(TRAIN);
net_state.MergeFrom(net_param.state());
net_state.MergeFrom(param_.train_state());
net_param.mutable_state()->CopyFrom(net_state);
if (Caffe::root_solver()) {
// 构造一个新的root网络
net_.reset(new Net<Dtype>(net_param));
} else {
// 构造一个新的non-root网络,有一部分网络是基于给定的root网络的
net_.reset(new Net<Dtype>(net_param, root_solver_->net_.get()));
}
}
void Solver<Dtype>::InitTestNets() {
int test_net_id = 0;
vector<string> sources(num_test_net_instances);
vector<NetParameter> net_params(num_test_net_instances);
// 从test_net_param得到所有Test网络的设置,也可以从net_param, net文件,test_net文件里读出来
for (int i = 0; i < num_test_net_params; ++i, ++test_net_id) {
sources[test_net_id] = "test_net_param";
net_params[test_net_id].CopyFrom(param_.test_net_param(i));
}
test_nets_.resize(num_test_net_instances);
for (int i = 0; i < num_test_net_instances; ++i) {
// 从优先级由低到高设置网络的状态
NetState net_state;
net_state.set_phase(TEST);
net_state.MergeFrom(net_params[i].state());
if (param_.test_state_size()) {
net_state.MergeFrom(param_.test_state(i));
}
net_params[i].mutable_state()->CopyFrom(net_state);
if (Caffe::root_solver()) {
// 构造新的root网络
test_nets_[i].reset(new Net<Dtype>(net_params[i]));
} else {
// 构造新的non-root网络
test_nets_[i].reset(new Net<Dtype>(net_params[i],
root_solver_->test_nets_[i].get()));
}
test_nets_[i]->set_debug_info(param_.debug_info());
}
}
Solver的Solve函数
void Solver<Dtype>::Solve(const char* resume_file) {
CHECK(Caffe::root_solver()); // 只有root_solver才能优化网络
requested_early_exit_ = false; // 如果被设为true,则退出
if (resume_file) {
// 从保存好的snapshot开始,而不是从头开始
Restore(resume_file);
}
int start_iter = iter_;
// 迭代到最大允许次数
Step(param_.max_iter() - iter_);
if (requested_early_exit_) { return; }
if (param_.display() && iter_ % param_.display() == 0) {
// average_loss控制我们计算loss值是最后average_loss次迭代的平均值
int average_loss = this->param_.average_loss();
Dtype loss;
net_->Forward(&loss); // 前向传播计算loss值
UpdateSmoothedLoss(loss, start_iter, average_loss); // 通过当前smoothed_loss_和loss_数组计算最后average_loss次迭代loss值的平均值
}
if (param_.test_interval() && iter_ % param_.test_interval() == 0) {
// 每test_interval次迭代计算一下在测试集的效果。
TestAll();
}
}
// 迭代iters次
void Solver<Dtype>::Step(int iters) {
const int start_iter = iter_;
const int stop_iter = iter_ + iters;
int average_loss = this->param_.average_loss();
losses_.clear();
smoothed_loss_ = 0;
while (iter_ < stop_iter) {
// 把参数清空
net_->ClearParamDiffs();
// 调用callback
for (int i = 0; i < callbacks_.size(); ++i) {
callbacks_[i]->on_start();
}
Dtype loss = 0;
for (int i = 0; i < param_.iter_size(); ++i) {
// 对网络先进行前向传播,再进行反向传播。然后计算loss的总和以求平均值
loss += net_->ForwardBackward();
}
loss /= param_.iter_size(); //求平均值
// 计算最后average_loss次迭代的平均loss值smoothed_loss_
UpdateSmoothedLoss(loss, start_iter, average_loss);
if (display) {
// 打印网络输出blob的值,略
}
// 调用callback
for (int i = 0; i < callbacks_.size(); ++i) {
callbacks_[i]->on_gradients_ready();
}
ApplyUpdate(); //由Solver的子类实现来更新网络参数
++iter_;
// 获得SolverAction,根据客户端要求可以做Snapshot或者提前退出
SolverAction::Enum request = GetRequestedAction();
}
}
Solver的Test函数
// 测试所有的数据
void TestAll() {
for (int test_net_id = 0;
test_net_id < test_nets_.size() && !requested_early_exit_;
++test_net_id) {
Test(test_net_id);
}
}
// 测试一个数据集
void Solver<Dtype>::Test(const int test_net_id) {
vector<Dtype> test_score; // 存储网络输出blob的所有值
vector<int> test_score_output_id; // 存储test_score[i]对应的top blob的id
const shared_ptr<Net<Dtype> >& test_net = test_nets_[test_net_id];
Dtype loss = 0;
// 做test_iter次计算,取平均loss值
for (int i = 0; i < param_.test_iter(test_net_id); ++i) {
// 根据SolverAction决定是否做snapshot或者退出程序,略
SolverAction::Enum request = GetRequestedAction();
Dtype iter_loss;
// 做前向传播,计算loss值
const vector<Blob<Dtype>*>& result = test_net->Forward(&iter_loss);
// 如果计算loss,那么累加每次迭代的loss值
if (param_.test_compute_loss()) {
loss += iter_loss;
}
if (i == 0) {
for (int j = 0; j < result.size(); ++j) {
const Dtype* result_vec = result[j]->cpu_data();
for (int k = 0; k < result[j]->count(); ++k) {
// 把所有top blob打平到一维数组test_score上, 并在test_score_output_id记录对应的blob id
test_score.push_back(result_vec[k]);
test_score_output_id.push_back(j);
}
}
} else {
int idx = 0;
for (int j = 0; j < result.size(); ++j) {
const Dtype* result_vec = result[j]->cpu_data();
for (int k = 0; k < result[j]->count(); ++k) {
// 累加所有top blob对应的元素,最后是要再除以test_iter以求平均值的
test_score[idx++] += result_vec[k];
}
}
}
}
if (param_.test_compute_loss()) {
// 计算平均值并打印
loss /= param_.test_iter(test_net_id);
}
for (int i = 0; i < test_score.size(); ++i) {
// 对每个test_score,得到它对应的top blob的名字和loss权重
const int output_blob_index =
test_net->output_blob_indices()[test_score_output_id[i]];
const string& output_name = test_net->blob_names()[output_blob_index];
const Dtype loss_weight = test_net->blob_loss_weights()[output_blob_index];
ostringstream loss_msg_stream;
// 求出平均的test_score
const Dtype mean_score = test_score[i] / param_.test_iter(test_net_id);
// 如果loss_weight不为0,则计算加权的mean score。
if (loss_weight) {
loss_msg_stream << " (* " << loss_weight
<< " = " << loss_weight * mean_score << " loss)";
}
}
}