Caffe中Solver.prototxt解析

Posted 2022-12-12 Dream_yz

Caffe中Solver.prototxt解析

Solver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。（通过调用另一个配置文件prototxt来进行）；
2. 通过forward和backward迭代的进行优化来更新参数；
3. 定期的评价测试网络（可设定多少次训练后，在进行一次测试）；
4. 在优化过程中显示模型和solver的状态。

Solver工作

在每一次的迭代过程中，Solver做了如下工作：

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solver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文件

test_iter: 100
test_interval: 1000
base_lr: 0.001
display: 200
max_iter: 10000
lr_policy: "step"
gamma: 0.1
momentum: 0.9
weight_decay: 0.0001
stepsize: 1000
snapshot: 5000
snapshot_prefix: "snapshot"
solver_mode: GPU
net: "train_val.prototxt"
solver_type: SGD

Solver.prototxt参数

1. net：用于训练/预测的网络描述文件
2. test_iter：预测阶段迭代次数（与test_batch相乘后要大于测试样本集）
3. test_interval：训练时没迭代多少次，进行一次预测（与batchSize相乘大于训练集）
4. basr_lr：网络基础学习速率
5. momentum：网络基础冲量，学习的参数，一般不修改该值
6. weight_decay：网络基础衰减量
7. lr_policy：学习率变化
8. gamma：学习率变化比率。一般不修改该值
9. power：学习速率的衰减策略
10. stepsize：没多少次学习率递减
11. display：经过多少次迭代后显示一次
12. max_iter：最大迭代次数
13. snapshot：多少次打印一次快照
14. snapshot_prefix：快照前缀
15. solver_mode：是否使用GPU
16. solver_type：优化算法的选择，一共有六种可选：SGD、AdaDelta、AdaGrad、Adam、Nesterov和RMSProp。默认为SGD。

参考链接：https://blog.csdn.net/a1809032425/article/details/81158470