caffe入门应用方法(二)——solver超参数配置文件

在文章caffe入门应用方法(一)——网络层参数配置解析中,主要描述了caffe层次模型的超参文件配置方法.本文,主要介绍solver超参数配置文件的方法.solver文件主要用于配置网络训练迭代方法.

solver文件配置示例

net: "examples/mnist/lenet_train_test.prototxt"  
test_iter: 100
test_interval: 500
base_lr: 0.01
momentum: 0.9
type: SGD
weight_decay: 0.0005
lr_policy: "inv"
gamma: 0.0001
power: 0.75
display: 100
max_iter: 20000
snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"
solver_mode: CPU

其中,

• net: "examples/mnist/lenet_train_test.prototxt" #网络位置
  • train_net: "examples/hdf5_classification/logreg_auto_train.prototxt" #也可以分别设定train和test
  • test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"
• test_iter: 100 #迭代了多少个测试样本呢？ batch*test_iter 假设有5000个测试样本，一次测试想跑遍这5000个则需要设置test_iter×batch=5000
• test_interval: 500 #测试间隔。也就是每训练500次，才进行一次测试。
• base_lr: 0.01 #base_lr用于设置基础学习率
• lr_policy: "inv" #学习率调整的策略
  • 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))))
• momentum ：0.9 #动量
• 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。
• max_iter: 20000 #最大迭代次数，2W次就停止了
• snapshot: 5000 #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
• snapshot_prefix: "examples/mnist/lenet" model保存路经
• 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。

caffe优化函数

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。

Stochastic Gradient Descent (type: "SGD"),
AdaDelta (type: "AdaDelta"),
Adaptive Gradient (type: "AdaGrad"),
Adam (type: "Adam"),
Nesterov’s Accelerated Gradient (type: "Nesterov") and
RMSprop (type: "RMSProp")