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
