caffe solver.prototxt参数解释

net:训练时用到的网络的路径

也可以分别设置训练和测试网络

train_net: ""
test_net: ""

test_iter: 迭代N次可以覆盖到所有的测试集，即总样本数与 batch_size 的比值

test_interval: 迭代多少次进行一次预测

base_lr:学习率

gamma:学习率的变化率，可以用阶段式改变，即设置step，每step次迭代学习率改变gamma倍

weight_decay: 权重衰减，表示对较大权重的惩罚（正则化）因子，防止过拟合的一个参数

lr_policy:  学习率衰减学习策略

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))))

display: 输出log的迭代次数，即每隔N次进行一次log输出，0则不显示

max_iter: 最大迭代次数

snapshot: 训练多少次后进行保存，默认为0不保存。

snapshot_prefix: 权重保存路径，保存model和solver状态

（可以设置 snapshot_format，保存类型，有两种选择：HDF5 和 BINARYPROTO ，默认为 BINARYPROTO）

solver_mode: 运行模式，GPU或者CPU

type: 优化器，有六种，默认SGD

      Stochastic Gradient Descent (type: "SGD"),

      AdaDelta (type: "AdaDelta"),

      Adaptive Gradient (type: "AdaGrad"),

      Adam (type: "Adam"),

      Nesterov’s Accelerated Gradient (type: "Nesterov") 

      RMSprop (type: "RMSProp")

device_id: GPU序号，一个为0