caffe中 solver.prototxt文件
2017-08-17 10:33
525 查看
solver算是caffe的核心的核心,它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为
[plain] view
plain copy
./bulid/tools/caffe train -solver *_solver.prototxt
在Deep Learning中,往往loss function是非凸的,没有解析解,我们需要通过优化方法来求解。solver的主要作用就是交替调用前向(forward)算法和后向(backward)算法来更新参数,从而最小化loss,实际上就是一种迭代的优化算法。
到目前的版本,caffe提供了六种优化算法来求解最优参数,在solver配置文件中,通过设置type类型来选择。
· 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")
Solver的流程:
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。(通过调用另外一个配置文件prototxt来进行)
2. 通过forward和backward迭代的进行优化来跟新参数。
3. 定期的评价测试网络。 (可设定多少次训练后,进行一次测试)
4. 在优化过程中显示模型和solver的状态
在每一次的迭代过程中,solver做了这几步工作:
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slover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。
接下来,我们先来看一个实例:
[plain] view
plain copy
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
接下来,我们对每一行进行详细解译:
[plain] view
plain copy
net: "examples/mnist/lenet_train_test.prototxt"
设置网络模型。每一个模型就是一个net,需要在一个专门的配置文件中对net进行配置,每个net由许多的layer所组成。注意的是:文件的路径要从caffe的根目录开始,其它的所有配置都是这样。
接下来第二行:
test_iter: 100
这个要与test layer中的batch_size结合起来理解。mnist数据中测试样本总数为10000,一次性执行全部数据效率很低,因此我们将测试数据分成几个批次来执行,每个批次的数量就是batch_size。假设我们设置batch_size为100,则需要迭代100次才能将10000个数据全部执行完。因此test_iter设置为100。执行完一次全部数据,称之为一个epoch。
[plain] view
plain copy
test_interval: 500
测试间隔。也就是每训练500次,才进行一次测试。
[plain] view
plain copy
base_lr: 0.01
lr_policy: "inv"
gamma: 0.0001
power: 0.75
这四行可以放在一起理解,用于学习率的设置。只要是梯度下降法来求解优化,都会有一个学习率,也叫步长。base_lr用于设置基础学习率,在迭代的过程中,可以对基础学习率进行调整。怎么样进行调整,就是调整的策略,由lr_policy来设置。
lr_policy可以设置为下面这些值,相应的学习率的计算为:
- fixed: 保持base_lr不变.
- step: 如果设置为step,则还需要设置一个stepsize, 返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示当前的迭代次数
- exp: 返回base_lr * gamma ^ iter, iter为当前迭代次数
- inv: 如果设置为inv,还需要设置一个power, 返回base_lr * (1 + gamma * iter) ^ (- power)
- multistep: 如果设置为multistep,则还需要设置一个stepvalue。这个参数和step很相似,step是均匀等间隔变化,而multistep则是根据
stepvalue值变化
- poly: 学习率进行多项式误差, 返回 base_lr (1 - iter/max_iter) ^ (power)
- sigmoid: 学习率进行sigmod衰减,返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))
multistep示例:
[plain] view
plain copy
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
接下来的参数:
[plain] view
plain copy
momentum :0.9
上一次梯度更新的权重
[plain] view
plain copy
type: SGD
优化算法选择。这一行可以省掉,因为默认值就是SGD。总共有六种方法可选择,在本文的开头已介绍。
[plain] view
plain copy
weight_decay: 0.0005
权重衰减项,防止过拟合的一个参数。
[plain] view
plain copy
display: 100
每训练100次,在屏幕上显示一次。如果设置为0,则不显示。
[plain] view
plain copy
max_iter: 20000
最大迭代次数。这个数设置太小,会导致没有收敛,精确度很低。设置太大,会导致震荡,浪费时间。
[plain] view
plain copy
snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"
快照。将训练出来的model和solver状态进行保存,snapshot用于设置训练多少次后进行保存,默认为0,不保存。snapshot_prefix设置保存路径。
还可以设置snapshot_diff,是否保存梯度值,默认为false,不保存。
也可以设置snapshot_format,保存的类型。有两种选择:HDF5 和BINARYPROTO ,默认为BINARYPROTO
[plain] view
plain copy
solver_mode: CPU
设置运行模式。默认为GPU,如果你没有GPU,则需要改成CPU,否则会出错。
注意:以上的所有参数都是可选参数,都有默认值。根据solver方法(type)的不同,还有一些其它的参数,在此不一一列举。
附 SRCNN文件 SRCNN_solver.prototxt
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | # The train/test net protocol buffer definitionnet: "examples/SRCNN/SRCNN_net.prototxt"test_iter: 556# Carry out testing every 500 training iterations.test_interval: 500# The base learning rate, momentum and the weight decay of the network.base_lr: 0.0001momentum: 0.9weight_decay: 0# The learning rate policylr_policy: "fixed"# Display every 100 iterationsdisplay: 100# The maximum number of iterationsmax_iter: 15000000# snapshot intermediate resultssnapshot: 500snapshot_prefix: "examples/SRCNN/SRCNN"# solver mode: CPU or GPUsolver_mode: GPU |
snippet_file_0.txt
[html]
view plain
copy
# The train/test net protocol buffer definition
net: "examples/SRCNN/SRCNN_net.prototxt"
test_iter: 556
# Carry out testing every 500 training iterations.
test_interval: 500
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.0001
momentum: 0.9
weight_decay: 0
# The learning rate policy
lr_policy: "fixed"
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 15000000
# snapshot intermediate results
snapshot: 500
snapshot_prefix: "examples/SRCNN/SRCNN"
# solver mode: CPU or GPU
solver_mode: GPU
相关文章推荐
- Caffe--solver.prototxt配置文件 参数设置及含义
- caffe之solver.prototxt文件参数设置
- caffe之solver.prototxt文件参数设置
- Caffe之solver.prototxt文件参数设置
- 区分caffe中train.prototxt,solver.prototxt,deploy.prototxt等文件
- Caffe solver.prototxt 文件参数详解
- caffe之solver.prototxt文件参数设置
- caffe中solver.prototxt文件参数解释
- Caffe--solver.prototxt配置文件 参数设置及含义
- caffe solver.prototxt文件
- caffe中lenet_solver.prototxt配置文件注解
- Caffe 中关于 LetNet-5 网络的定义文件 lenet.prototxt 解析
- 深度学习caffe平台--train_val.prototxt文件中数据层及参数详解
- caffe 学习笔记-prototxt文件定义与读取
- 利用python脚本生成caffe的prototxt文件
- netscope——caffe的prototxt模型文件可视化工具
- Caffe部署中的几个train-test-solver-prototxt-deploy等说明<二>
- caffe中*_train_test.prototxt配置文件分析
- caffe学习笔记:caffe网络模型文件(.prototxt)layer与layers区别
- caffe用python产生prototxt文件