caffe solver文件个参数的意义

    test_iter: 1000     //测试的批次，一次性执行全部数据，效率较低，因此分几个批次进行执行，    
                        //如果每个批次数量设为batch_size,则有以下关系：test_iter = 测试样本总数/batch_size    
      
    test_interval: 1000 //测试间隔，即每训练1000次，进行一次测试     
      
    test_initialization: false //是否可以用上次保存的snapshot来继续训练，如果为True,则下次开始训练的时候，caffe会自动从这个目录下加载最近一次迭代的模型，继续训练，以节省时间。如果是False，则会从0开始重新迭代。所以这个参数的默认值是False。  
      
    base_lr: 0.01       // 基础学习速率（初始学习率），迭代过程中可以对基础学习速率进行调整，调整策略通过lr_policy来设置    
    lr_policy: "step"   // lr_policy设置参数：    
                        //- 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))))                      
    gamma: 0.1          //学习率变化的比率    
    stepsize: 3000      //每迭代3000次，调整一次学习率      
      
      
    display: 20  //每20次迭代，显示一次      
    max_iter: 12000 //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   //学习的参数，不用变    
    weight_decay: 0.0005  //权重衰减项，防止过拟合的一个参数    
    snapshot: 5000  //每迭代5000次，保存一次训练权值    
    snapshot_prefix: "caffenet_train"  //设置保存训练权值的路径     
    solver_mode: GPU  //选择使用CPU还是GPU运行