Deep learning系列(十四)Layer和solver中参数详解
2015-10-30 16:43
393 查看
1. 前言
在caffe结构解析一节中介绍了caffe中重要的四个模块:Net,Layers,Blobs和Solver。然而对Layer和Solver两个模块只是简单介绍了其结构,其中一些重要的参数没给出解释,最近复习了Andrew NG和Li feifei的深度学习教程后,大概理解了这些参数的含义,下面给出具体介绍。2. Layer参数详解
在caffe结构解析一节中介绍了Layer可以分为四部分:名字;
类型;
连接结构,包括输入和输出的blob;
参数。
对于前三部分通过读.prototxt文件可以直观理解,而参数部分,则涉及深度学习中的许多知识,包括数据预处理,参数初始化,卷积核和学习率等。
2.1. 数据预处理
Lenet的data层如下所示:layer { name: "mnist" type: "Data" data_param { source: "mnist_train_lmdb" backend: LMDB batch_size: 64 scale: 0.00390625 } top: "data" top: "label" }
data_param中四个参数的含义是:
source项是存放LMDB数据的位置;
backend指出数据的后缀是LMDB,而不是jpg或者其它;
batch_size指SGD中一批数据的大小是64;
scale的大小是0.00390625,其等于1/256,意思是将原始图像数据(大小范围为[0,255])归一化到[0,1)范围内。
2.2. 学习率
第一个卷积层如下所示:layer { name: "conv1" type: "Convolution" param { lr_mult: 1 } param { lr_mult: 2 } convolution_param { num_output: 20 kernel_size: 5 stride: 1 weight_filler { type: "xavier" } # weight_filler { # type: "gaussian" # std: 0.01 # } bias_filler { type: "constant" } } bottom: "data" top: "conv1" }
其中两个lr_mult分别代表了权重项(通常用W表示)和偏置项(通常用b表示)的学习率。第一个lr_mult设置为1表示权重项的初始化学习率等于solver中定义的初始化学习率(这儿为0.01),第二个lr_mult设置为2表示偏置项的初始化学习率等于solver中定义的初始化学习率的二倍(这儿为0.02)。
2.3. 参数初始化
weight_filler设置为”xavier”的含义是权重W的初始化根据前一层blob和后一层blob的神经单元数量来确定,参考的是Understanding the difficulty of training deep feedforward neural networks这篇文章,python的示例代码可以表示为:nn_input_dim = 2 nn_hdim = 3 w = np.random.randn(nn_input_dim,nn_hdim) / sqrt(nn_input_dim+nn_hdim)
详细解释可以参考参数初始化这一篇文章的第二节。
屏蔽掉的部分weight_filler设置”gaussian”,权重W的初始化为标准差为0.01的高斯分布,参考参数初始化的第一节,python的示例代码可以表示为:
nn_input_dim = 2 nn_hdim = 3 W = 0.001* np.random.randn(nn_input_dim,nn_hdim)
bias_filler设置为”constant”,这儿表示常数,默认值为0,可以参考参数初始化的第三节。
2.4. 卷积核
convolution_param中前三个参数分别代表卷积核的数量为20个,尺寸为5*5,步长为1,在python中输出这一层的权重大小为:[('conv1', (20, 1, 5, 5))]
第二维为1的原因是MNIST数据库中图片是灰度图,仅含一个通道。
3. Solver参数详解
一种使用SGD+momentum的配置的solver文件如下所示:# The train/test net protocol buffer definition net: "examples/mnist/lenet_train_test.prototxt" # test_iter specifies how many forward passes the test should carry out. # In the case of MNIST, we have test batch size 100 and 100 test iterations, # covering the full 10,000 testing images. test_iter: 100 # Carry out testing every 500 training iterations. test_interval: 500 # The base learning rate, momentum and the weight decay of the network. base_lr: 0.01 momentum: 0.9 weight_decay: 0.0005 # The learning rate policy lr_policy: "inv" gamma: 0.0001 power: 0.75 # lr_policy: "step" # gamma: 0.1 # stepsize: 100000 # Display every 100 iterations display: 100 # The maximum number of iterations max_iter: 10000 # snapshot intermediate results snapshot: 5000 snapshot_prefix: "examples/mnist/lenet" # solver mode: CPU or GPU solver_mode: GPU
SGD+momentum的配置的三个参数含义为:
base_lr: 0.01代表初始化学习率为0.01;
momentum: 0.9代表使用常数动量,这儿设置为0.9;
weight_decay: 0.0005代表损失函数中参数的正则化系数为0.0005;
lr_policy: “inv”要单拿出来说,算法迭代过程中逐步降低学习率通常可以加快算法的收敛速度,这儿”inv”代表着倒数衰减(Inverse decay),可以参考随机梯度下降这篇文章的第三节,学习率衰减的表达式为:
lr=baselr∗power/(1+gamma∗t)lr = baselr * power / (1 + gamma * t),其中t为迭代次数,示意图为:
除了倒数衰减外,caffe还给出了逐步衰减(lr_policy: “step”),同样见随机梯度下降这篇文章的第三节,示意图为:
Solver中其它参数可以通过英文注释很好的理解,就不介绍了。
相关文章推荐
- 背景透明文字不透明
- 小小Python爬虫(1)
- 专题网站
- 使用Fragment填充ViewPager
- CodeForces 253C Text Editor
- 2015多校第5场总结
- java中的事务
- Android 高清加载巨图方案 拒绝压缩图片
- Kafka+Spark Streaming+Redis实时计算整合实践
- C6678的SPI Flash启动失败
- JDBC:数据库的连接
- 一个很漂亮的测试网站ready-api
- 一个简易的四则运算单元...(15.12.15 BUG更新)
- 02.ZooKeeper的Java客户端使用
- 关于web项目播放AMR格式音频的问题
- 整理一些常用方法,不定期更新。。。
- 网上关于NIO客户端断开连接出现死循环的bug修复
- Human Interface Device(GATT)
- iOS图片拉伸技巧的三种方式
- TexturePacker非常棒的游戏资源图像处理工具