个人微信公众号:AI研习图书馆,欢迎关注~
深度学习知识及资源分享,学习交流,共同进步~
1. 前言
solver 算是 Caffe 的核心的核心,它协调着整个模型的运作。Caffe 程序运行必带的一个参数就是solver 配置文件,solver.prototxt 文件是用来告诉 Caffe 如何训练网络的。
在Deep Learning中,往往loss function是非凸的,没有解析解,我们需要通过优化方法求解。solver的主要作用就是交替调用前向(forword)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。
2. solver文件介绍
Solver的流程:
-
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)
-
通过forward和backward迭代的进行优化来跟新参数。
-
定期的评价测试网络。 (可设定多少次训练后,进行一次测试)
-
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。
solver.prototxt是caffe的配置文件。里面定义了网络训练时候的各种参数,比如学习率、权重衰减、迭代次数等等。
solver文件示例
solver文件是训练网络所必须要的文件,其中定义了诸如:求解器类型、学习率、学习率的变化策略等。其命令行调用方式模式一般为:
caffe train --solver=*_slover.prototxt
接下来看一个solver配置文件的例子:
train_net: "train.prototxt"
test_net: "val.prototxt"
test_iter: 100
test_interval: 938
base_lr: 0.00999999977648
display: 1000
max_iter: 9380
lr_policy: "step"
gamma: 0.10000000149
momentum: 0.899999976158
weight_decay: 0.000500000023749
stepsize: 3000
snapshot: 4000
snapshot_prefix: "./snapshot/"
solver_mode: GPU
type: "SGD"
下面的内容将会详细讲解其中的参数,并介绍其其使用方法。
3. solver文件参数详细解析
solver文件示例
下面以 Caffe 中的 mnist 实例进行简单明了的解释:
1. net: "examples/mnist/lenet_train_test.prototxt"
2. test_iter: 100
3. test_interval: 500
4. base_lr: 0.01
5. momentum: 0.9
6. weight_decay: 0.0005
7. lr_policy: "inv"
8. gamma: 0.0001
9. power: 0.75
10. display: 100
11. max_iter: 10000
12. snapshot: 5000
13. snapshot_prefix: "examples/mnist/lenet"
14. solver_mode: GPU
第1行:
net: "examples/mnist/lenet_train_test.prototxt"
用于设置深度网络模型,即指定网络配置文件(该实例中为 lenet_train_test.prototxt)的路径。
第2行,第3行以及第11行:
2. test_iter: 100
3. test_interval: 500
11. max_iter: 10000
test_iter 的大小为 test 数据集的总样本数与 batch_size 的比值,比如在 mnist 数据集中,有10000个测试样本,bat