Caffe学习笔记8：solver参数配置

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。运行代码一般为：

Build/x64/Release/caffe.exetrain --solver=examples/myfile/slover.prototxt

根据你们自己的路径不一样，上面的文件的路径也不一样。

在Deep Learning中，往往lossfunction是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forward)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。

到目前的版本，caffe提供了六种优化算法来求解最优参数，在solver配置文件中，通过设置type类型来选择。一般常用的是SGD,对SGD的研究小菜之前有总结笔记的。小菜的博客上也有：http://blog.csdn.net/xjz18298268521/article/details/51870773

Ø  Stochastic Gradient Descent (type:"SGD")

Ø  AdaDelta (type: "AdaDelta")

Ø  Adaptive Gradient (type: "AdaGrad")

Ø  Adam (type: "Adam")

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

Ø  RMSprop (type: "RMSProp")

 具体的每种方法的介绍，请看本系列的下一篇文章, 本文着重介绍solver配置文件的编写。

Solver的流程：

1)       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）。

2)       通过forward和backward迭代的进行优化来跟新参数。

3)       定期的评价测试网络。（可设定多少次训练后，进行一次测试）。

4)       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。

接下来，我们先来看一个实例：

接下来，我们对每一行进行详细解译：

Ø  net: "examples/mnist/lenet_train_test.prototxt"

设置深度网络模型。每一个模型就是一个net，需要在一个专门的配置文件中对net进行配置，每个net由许多的layer所组成。每一个layer的具体配置方式可参考前面的学习笔记。注意的是：文件的路径要从caffe的根目录开始，其它的所有配置都是这样。

也可用train_net和test_net来对训练模型和测试模型分别设定。例如：

Ø  test_iter: 100

这个要与test layer中的batch_size结合起来理解。mnist数据中测试样本总数为10000，一次性执行全部数据效率很低，因此我们将测试数据分成几个批次来执行，每个批次的数量就是batch_size。假设我们设置batch_size为100，则需要迭代100次才能将10000个数据全部执行完。因此test_iter设置为100。执行完一次全部数据，称之为一个epoch。

 

Ø  test_interval: 500

测试间隔。也就是每训练500次，才进行一次测试。

Ø  base_lr: 0.01

Ø  lr_policy: "inv"

Ø  gamma: 0.0001

Ø  power: 0.75

这四行可以放在一起理解，用于学习率的设置。只要是梯度下降法来求解优化，都会有一个学习率，也叫步长。base_lr用于设置基础学习率，在迭代的过程中，可以对基础学习率进行调整。怎么样进行调整，就是调整的策略，由lr_policy来设置，一般setup用的比较多。

lr_policy可以设置为下面这些值，相应的学习率的计算为：

1)       - fixed: 保持base_lr不变。

2)       - 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。

3)       - exp: 返回base_lr * gamma ^ iter， iter为当前迭代次数。

4)       - inv: 如果设置为inv,还需要设置一个power, 返回base_lr * (1 + gamma * iter) ^ (- power)。

5)       - 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。

6)       - poly: 学习率进行多项式误差, 返回 base_lr (1 - iter/max_iter) ^ (power)。

7)       - sigmoid:　学习率进行sigmod衰减，返回 base_lr ( 1/(1 + exp(-gamma * (iter -stepsize))))。

Ø  momentum ：0.9

上一次梯度更新的权重，具体可参看下一节学习笔记。

Ø  type: SGD

优化算法选择。这一行可以省掉，因为默认值就是SGD。总共有六种方法可选择，在本节的开头已介绍。

Ø  weight_decay: 0.0005

权重衰减项，防止过拟合的一个参数。

Ø  display: 100

每训练100次，在屏幕上显示一次，如果设置为0，则不显示。

Ø  max_iter: 20000

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。

Ø  snapshot: 5000

Ø  snapshot_prefix:"examples/mnist/lenet"

快照。将训练出来的model和solver状态进行保存，snapshot用于设置训练多少次后进行保存，默认为0，不保存。snapshot_prefix设置保存路径。还可以设置snapshot_diff，是否保存梯度值，默认为false,不保存。也可以设置snapshot_format，保存的类型。有两种选择：HDF5和BINARYPROTO ，默认为BINARYPROTO。

Ø  solver_mode: CPU

设置运行模式。默认为GPU,如果你没有GPU,则需要改成CPU,否则会出错。

注意：以上的所有参数都是可选参数，都有默认值。根据solver方法（type)的不同，还有一些其它的参数，在此不一一列举。