caffe——solver及其配置

caffe——solver及其配置
solver算是caffe的核心的核心，它协调着整个模型运作。caffe程序运行必带的是solver配置文件。运行代码一般为

#caffe train --solver=*_solver.prototxt

在DL中，往往loss function是非凸的，没有解析解，我们只能通过优化方法来求解。solver主要作用就是交替调用前向算法和后向算法更新参数，从而最小化loss，实际上是一个迭代优化算法。

目前caffe提供了6种优化方法求解最优参数，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”)
RMSprop(type:”RMSProp”)
具体每种方法介绍，在以后文章中会详细分析，本文着重介绍solver配置文件。
Slover的流程：
1 设计好需要优化的对象，以及用于学习的寻来拿网络和用于评估的测试网络。
2 通过forward 和backward迭代进行优化更新参数
3 定期的评价测试网络（可以设定多少次寻来拿后，进行一次测试）
4 在优化过程中显示模型和solver状态
在每一次迭代过程中，solver做了以下几步工作：
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solver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，以及对应状态。
实例：

net:"examples/mnist/lenet_train_test.prototxt"test_iter:100test_interval:500base_lr:0.01momentum:0.9type:"SGD"weight_cecay:"0.0005"lr_policy:"inv"gamma:0.0001power:"0.75"display:"100"max_iter:20000snapshot:5000snapshot_prefix:"examples/mnist/lenet"solver_mod:CPU

解释：

net:"examples/mnist/lenet_train_test.prototxt"

深度网络模型的文件路径。注意：文件路径要从caffe的根目录开始，其他所有配置都这样。
也可用train_net和test_net来对训练模型和测试模型分别设定：

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

第二行

test_iter:100

这个要与test layer中的batch_size结合起来理解。mnist数据额式样本总数为10000，一次执行全部数据效率很低，因此我们将数据分成几个批次来执行，每个批次数量就是batch_size。假设我们设置batch_size为100，则需要迭代100次才能将10000个数据执行完，因此test_iter设置为100。执行完一次全部数据，称为一个epoch。

test_interval:500

测试间隔，每训练500次，才进行一次测试。

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

这四行放在一起用于学习率的设置。base_lr用于设置基础学习率，在迭代过程中，可以对基础学习率进行调整。调整策略由lr_policy来设置。
lr_policy可以设置为以下这些值，相应的学习率为：
-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表示当前迭代次数。
-exp：返回base_lr*gamma^iter,ietr为当前迭代次数
-inv: 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，multistep是根据stepvalue值变化。
-sigmoid： 学习率进行sigmoid衰减，返回base_lr(1/(1+exp(-gamma*(iter-stepsize))))
multistep示例：

base_lr:0.01momentum:0.9weight_decay:0.0005#the learning rate policylr_policy:"multistep"gamma:0.9stepvalue:5000stepvalue:7000stepvalue:8000stepvalue:9000stepvalue:9500

接下来参数：

momentum:0.9

上一次梯度更新的权重，具体可参看下一篇文章

type：SGD

优化算法选择，默认是SGD

weight_decay:0.0005

权重衰减项，防止过拟合的一个参数

display：100

每训练100次，在屏幕上显示一次，入设置为0，则不显示

max_iter：20000

最大迭代次数，设置太小欠拟合，设置太大会导致震荡，浪费时间。

snapshot：5000snapshot_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。下边一行设置保存路径。
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。
slover_mode:CPU
设置运行模式，默认为GPU。