Caffe的solver参数介绍

 

版权声明：转载请注明出处，谢谢！ https://blog.csdn.net/Quincuntial/article/details/59109447

1. Parameters

solver.prototxt文件是用来告诉caffe如何训练网络的。solver.prototxt的各个参数的解释如下：

• base_lr 
  这个参数是用来表示网络的初始学习率的。这个值是一个浮点型实数。
• lr_policy 
  这个参数是用来表示学习率随着时间是如何变化的。值是字符串，需要加""。学习率变化的可选参数有： 
  “step”——需要设置stepsize。根据gamma参数和stepsize参数来降低学习率，base_lr * gamma ^ (floor(iter / stepsize))。iter是当前迭代次数。学习率每迭代stepsize次变化一次。 
  “multistep”——与step类似，需要设置stepvalue，学习率根据stepvalue进行变化。 
  “fixed”——学习率base_lr保持不变。 
  “inv”——学习率变化公式为base_lr * (1 + gamma * iter) ^ (- power) 
  “exp”——学习率变化公式为base_lr * gamma ^ iter} 
  “poly”——学习率以多项式形式衰减，到最大迭代次数时降为0。学习率变化公式为base_lr * (1 - iter/max_iter) ^ (power)。 
  “sigmoid”——学习率以S型曲线形式衰减，学习率变化公式为base_lr * (1 / (1 + exp(-gamma * (iter - stepsize))))。
• gamma 
  这个参数表示学习率每次的变化程度，值为实数。
• stepsize 
  这个参数表示什么时候应该进行训练的下一过程，值为正整数。主要用在lr_policy为step的情况。
• stepvalue 
  这个参数表示什么时候应该进行训练的下一过程，值为正整数。主要用在lr_policy为multistep的情况。
• max_iter 
  这个参数表示训练神经网络迭代的最大次数，值为正整数。
• momentum 
  这个参数表示在新的计算中要保留的前面的权重数量，值为真分数，通常设为0.9。
• weight_decay 
  这个参数表示对较大权重的惩罚（正则化）因子。值为真分数。 
  This parameter indicates the factor of (regularization) penalization of large weights. This value is a often a real fraction.
• solver_mode 
  这个参数用来表示求解神经网络的模式——值为CPU or GPU。
• snapshot 
  这个参数用来表示每迭代多少次就应该保存snapshot的model和solverstate，值为正整数。
• snapshot_prefix: 
  这个参数用来表示保存snapshot时model和solverstate的前缀，值为带引号的字符串。
• net: 
  这个参数表示训练网络所在的位置，值为带引号的字符串。
• test_iter 
  这个参数表示 
  这个参数表示每个test_interval进行多少次test迭代，值为正整数。
• test_interval 
  这个参数表示什么时候进行数据的测试，值为正整数。
• display 
  这个参数用来表示什么时候将输出结果打印到屏幕上，值为正整数，表示迭代次数。
• type 
  这个参数表示训练神经网络采用的反向传播算法，值为带引号的字符串。可选的值有： 
  Stochastic Gradient Descent “SGD”——随机梯度下降，默认值。 
  AdaDelta “AdaDelta”——一种”鲁棒的学习率方法“，是基于梯度的优化方法。 
  Adaptive Gradient “AdaGrad”——自适应梯度方法。 
  Adam “Adam”——一种基于梯度的优化方法。 
  Nesterov’s Accelerated Gradient “Nesterov”——Nesterov的加速梯度法，作为凸优化中最理想的方法，其收敛速度非常快。 
  RMSprop “RMSProp”——一种基于梯度的优化方法。

2. Demo

• lr_policy

# lr_policy为multisetp
base_lr: 0.01
momentum: 0.9
lr_policy: "multistep"
gamma: 0.9
stepvalue: 1000
stepvalue: 2000
stepvalue: 3000
stepvalue: 4000
stepvalue: 5000

# lr_policy为step
base_lr: 0.01
momentum: 0.9
lr_policy: "step"
gamma: 0.9
stepsize: 1000

• solver.prototxt

net: "models/bvlc_alexnet/train_val.prototxt"
# 每次测试时进行1000次迭代
test_iter: 1000
# 每进行1000次训练执行一次测试
test_interval: 1000
base_lr: 0.01
lr_policy: "step"
gamma: 0.1
stepsize: 100000
display: 20
max_iter: 450000
momentum: 0.9
weight_decay: 0.0005
snapshot: 10000
snapshot_prefix: "models/bvlc_alexnet/caffe_alexnet_train"
solver_mode: GPU

参考资料

1. http://www.cnblogs.com/denny402/p/5074049.html
2. https://github.com/BVLC/caffe/wiki/Solver-Prototxt
3. http://stackoverflow.com/questions/30033096/what-is-lr-policy-in-caffe