caffe 参数的详解solver文件<一>

test_iter
在测试的时候，需要迭代的次数，即test_iter* batchsize（测试集的）=测试集的大小，测试集的 batchsize可以在prototx文件里设置。
test_interval
训练的时候，每迭代test_interval次就进行一次测试。
momentum

灵感来自于牛顿第一定律，基本思路是为寻优加入了“惯性”的影响，这样一来，当误差曲面中存在平坦区的时候，SGD可以更快的速度学习。

lr_mult
学习率，但是最终的学习率需要乘以 solver.prototxt 配置文件中的 base_lr .如果有两个 lr_mult, 则第一个表示 weight 的学习率，第二个表示 bias 的学习率
一般 bias 的学习率是 weight 学习率的2倍

decay_mult 
权值衰减，为了避免模型的over-fitting，需要对cost function加入规范项。

decay_mult：权值衰减，需要乘以weight_decay，wi = wi -(base_lr * lr_mult) *dwi - (weight_dacay * decay_mult) * wi (dwi是误差关于wi的偏导数)

weight_filler 
权值初始化。 默认为“constant”,值全为0. 
很多时候我们用”xavier”算法来进行初始化，也可以设置为”gaussian”

bias_filler
偏置项的初始化。一般设置为”constant”, 值全为0。

bias_term
是否开启偏置项，默认为true, 开启

group 
分组，默认为1组。如果大于1，我们限制卷积的连接操作在一个子集内。 
卷积分组可以减少网络的参数，至于是否还有其他的作用就不清楚了。

param {      lr_mult: 1       //weight的学习率,需要乘以base_lr    }    param {      lr_mult: 2       //bias的学习率,需要乘以base_lr,一般bias的学习率是weight学习率的2倍    }  

 transform_param {      scale: 0.00390625   //对数据进行均一化，幅度归一化到同样的范围[0, 255]    }