引言

solver算是caffe的核心的核心，它協(xié)調(diào)著整個(gè)模型的運(yùn)作。caffe程序運(yùn)行必帶的一個(gè)參數(shù)就是solver配置文件。運(yùn)行代碼一般為

# caffe train --solver=*_slover.prototxt

在Deep Learning中，往往loss function是非凸的，沒(méi)有解析解，我們需要通過(guò)優(yōu)化方法來(lái)求解。solver的主要作用就是交替調(diào)用前向（forward)算法和后向（backward)算法來(lái)更新參數(shù)，從而最小化loss，實(shí)際上就是一種迭代的優(yōu)化算法。

到目前的版本，caffe提供了六種優(yōu)化算法來(lái)求解最優(yōu)參數(shù)，在solver配置文件中，通過(guò)設(shè)置type類(lèi)型來(lái)選擇。

• 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")

具體的每種方法的介紹，請(qǐng)看本系列的下一篇文章, 本文著重介紹solver配置文件的編寫(xiě)。

Solver的流程：

• 1.設(shè)計(jì)好需要優(yōu)化的對(duì)象，以及用于學(xué)習(xí)的訓(xùn)練網(wǎng)絡(luò)和用于評(píng)估的測(cè)試網(wǎng)絡(luò)。（通過(guò)調(diào)用另外一個(gè)配置文件prototxt來(lái)進(jìn)行）
• 2.通過(guò)forward和backward迭代的進(jìn)行優(yōu)化來(lái)跟新參數(shù)。
• 3.定期的評(píng)價(jià)測(cè)試網(wǎng)絡(luò)。 （可設(shè)定多少次訓(xùn)練后，進(jìn)行一次測(cè)試）
• 4.在優(yōu)化過(guò)程中顯示模型和solver的狀態(tài)

在每一次的迭代過(guò)程中，solver做了這幾步工作：

• 1、調(diào)用forward算法來(lái)計(jì)算最終的輸出值，以及對(duì)應(yīng)的loss
• 2、調(diào)用backward算法來(lái)計(jì)算每層的梯度
• 3、根據(jù)選用的slover方法，利用梯度進(jìn)行參數(shù)更新
• 4、記錄并保存每次迭代的學(xué)習(xí)率、快照，以及對(duì)應(yīng)的狀態(tài)。

接下來(lái)，我們先來(lái)看一個(gè)實(shí)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

接下來(lái)，我們對(duì)每一行進(jìn)行詳細(xì)解譯：

net: "examples/mnist/lenet_train_test.prototxt"

設(shè)置深度網(wǎng)絡(luò)模型。每一個(gè)模型就是一個(gè)net，需要在一個(gè)專門(mén)的配置文件中對(duì)net進(jìn)行配置，每個(gè)net由許多的layer所組成。每一個(gè)layer的具體配置方式可參考本系列文文章中的（2）-（5）。注意的是：文件的路徑要從caffe的根目錄開(kāi)始，其它的所有配置都是這樣。

訓(xùn)練測(cè)試模型

也可用train_net和test_net來(lái)對(duì)訓(xùn)練模型和測(cè)試模型分別設(shè)定。例如：

train_net: "examples/hdf5_classification/logreg_auto_train.prototxt"
test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"

接下來(lái)第二行：

test_iter: 100

這個(gè)要與test layer中的batch_size結(jié)合起來(lái)理解。mnist數(shù)據(jù)中測(cè)試樣本總數(shù)為10000，一次性執(zhí)行全部數(shù)據(jù)效率很低，因此我們將測(cè)試數(shù)據(jù)分成幾個(gè)批次來(lái)執(zhí)行，每個(gè)批次的數(shù)量就是batch_size。假設(shè)我們?cè)O(shè)置batch_size為100，則需要迭代100次才能將10000個(gè)數(shù)據(jù)全部執(zhí)行完。因此test_iter設(shè)置為100。執(zhí)行完一次全部數(shù)據(jù)，稱之為一個(gè)epoch

test_interval: 500

測(cè)試間隔。也就是每訓(xùn)練500次，才進(jìn)行一次測(cè)試。

base_lr: 0.01
lr_policy: "inv"
gamma: 0.0001
power: 0.75

這四行可以放在一起理解，用于學(xué)習(xí)率的設(shè)置。只要是梯度下降法來(lái)求解優(yōu)化，都會(huì)有一個(gè)學(xué)習(xí)率，也叫步長(zhǎng)。base_lr用于設(shè)置基礎(chǔ)學(xué)習(xí)率，在迭代的過(guò)程中，可以對(duì)基礎(chǔ)學(xué)習(xí)率進(jìn)行調(diào)整。怎么樣進(jìn)行調(diào)整，就是調(diào)整的策略，由lr_policy來(lái)設(shè)置。

lr_policy可以設(shè)置為下面這些值，相應(yīng)的學(xué)習(xí)率的計(jì)算為：

• - fixed:保持base_lr不變.
• - step: 如果設(shè)置為step,則還需要設(shè)置一個(gè)stepsize, 返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示當(dāng)前的迭代次數(shù)
• - exp: 返回base_lr * gamma ^ iter， iter為當(dāng)前迭代次數(shù)
• - inv: 如果設(shè)置為inv,還需要設(shè)置一個(gè)power, 返回base_lr * (1 + gamma * iter) ^ (- power)
• - multistep:如果設(shè)置為multistep,則還需要設(shè)置一個(gè)stepvalue。這個(gè)參數(shù)和step很相似，step是均勻等間隔變化，而multistep則是根據(jù) stepvalue值變化
• - poly:學(xué)習(xí)率進(jìn)行多項(xiàng)式誤差, 返回 base_lr (1 - iter/max_iter) ^ (power)
• - sigmoid:學(xué)習(xí)率進(jìn)行sigmod衰減，返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))

multistep示例：

base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy
lr_policy: "multistep"
gamma: 0.9
stepvalue: 5000
stepvalue: 7000
stepvalue: 8000
stepvalue: 9000
stepvalue: 9500

參數(shù)

接下來(lái)的參數(shù)：

momentum ：0.9

上一次梯度更新的權(quán)重，具體可參看下一篇文章。

type: SGD

優(yōu)化算法選擇。這一行可以省掉，因?yàn)槟J(rèn)值就是SGD?？偣灿辛N方法可選擇，在本文的開(kāi)頭已介紹。

weight_decay: 0.0005

權(quán)重衰減項(xiàng)，防止過(guò)擬合的一個(gè)參數(shù)。

display: 100

每訓(xùn)練100次，在屏幕上顯示一次。如果設(shè)置為0，則不顯示。

max_iter: 20000

最大迭代次數(shù)。這個(gè)數(shù)設(shè)置太小，會(huì)導(dǎo)致沒(méi)有收斂，精確度很低。設(shè)置太大，會(huì)導(dǎo)致震蕩，浪費(fèi)時(shí)間。

snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"

快照。將訓(xùn)練出來(lái)的model和solver狀態(tài)進(jìn)行保存，snapshot用于設(shè)置訓(xùn)練多少次后進(jìn)行保存，默認(rèn)為0，不保存。snapshot_prefix設(shè)置保存路徑。

還可以設(shè)置snapshot_diff，是否保存梯度值，默認(rèn)為false,不保存。

也可以設(shè)置snapshot_format，保存的類(lèi)型。有兩種選擇：HDF5 和BINARYPROTO ，默認(rèn)為BINARYPROTO

solver_mode: CPU

設(shè)置運(yùn)行模式。默認(rèn)為GPU,如果你沒(méi)有GPU,則需要改成CPU,否則會(huì)出錯(cuò)。

注意：以上的所有參數(shù)都是可選參數(shù)，都有默認(rèn)值。根據(jù)solver方法（type)的不同，還有一些其它的參數(shù)，在此不一一列舉。

以上就是Caffe卷積神經(jīng)網(wǎng)絡(luò)solver及其配置詳解的詳細(xì)內(nèi)容，更多關(guān)于Caffe solver配置的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論