caffe的python接口学习（2）：生成solver文件

转载原文地址：http://www.cnblogs.com/denny402/p/5679154.html

caffe在训练的时候，需要一些参数设置，我们一般将这些参数设置在一个叫solver.prototxt的文件里面，如下：

base_lr: 0.001display: 782gamma: 0.1lr_policy: “step”max_iter: 78200momentum: 0.9snapshot: 7820snapshot_prefix: “snapshot”solver_mode: GPUsolver_type: SGDstepsize: 26067test_interval: 782test_iter: 313test_net: “/home/xxx/data/val.prototxt”train_net: “/home/xxx/data/proto/train.prototxt”weight_decay: 0.0005

有一些参数需要计算的，也不是乱设置。

假设我们有50000个训练样本，batch_size为64，即每批次处理64个样本，那么需要迭代50000/64=782次才处理完一次全部的样本。我们把处理完一次所有的样本，称之为一代，即epoch。所以，这里的test_interval设置为782，即处理完一次所有的训练数据后，才去进行测试。如果我们想训练100代，则需要设置max_iter为78200.

同理，如果有10000个测试样本，batch_size设为32，那么需要迭代10000/32=313次才完整地测试完一次，所以设置test_iter为313.

 学习率变化规律我们设置为随着迭代次数的增加，慢慢变低。总共迭代78200次，我们将变化lr_rate三次，所以stepsize设置为78200/3=26067，即每迭代26067次，我们就降低一次学习率。 

下面是生成solver文件的python代码，比较简单：

# -*- coding: utf-8 -*-"""Created on Sun Jul 17 18:20:57 2016@author: root"""path='/home/xxx/data/'solver_file=path+'solver.prototxt'     #solver文件保存位置sp={}sp['train_net']=‘“’+path+'train.prototxt”'  # 训练配置文件sp['test_net']=‘“’+path+'val.prototxt”'     # 测试配置文件sp['test_iter']='313'                  # 测试迭代次数sp['test_interval']='782'              # 测试间隔sp['base_lr']='0.001'                  # 基础学习率sp['display']='782'                    # 屏幕日志显示间隔sp['max_iter']='78200'                 # 最大迭代次数sp['lr_policy']='“step”'                 # 学习率变化规律sp['gamma']='0.1'                      # 学习率变化指数sp['momentum']='0.9'                   # 动量sp['weight_decay']='0.0005'            # 权值衰减sp['stepsize']='26067'                 # 学习率变化频率sp['snapshot']='7820'                   # 保存model间隔sp['snapshot_prefix']=‘"snapshot"’       # 保存的model前缀sp['solver_mode']='GPU'                # 是否使用gpusp['solver_type']='SGD'                # 优化算法def write_solver():    #写入文件    with open(solver_file, 'w') as f:        for key, value in sorted(sp.items()):            if not(type(value) is str):                raise TypeError('All solver parameters must be strings')            f.write('%s: %s\n' % (key, value))if __name__ == '__main__':    write_solver()

 执行上面的文件，我们就会得到一个solver.prototxt文件，有了这个文件，我们下一步就可以进行训练了。

当然，如果你觉得上面这种键值对的字典方式，写起来容易出错，我们也可以使用另外一种比较简便的方法，没有引号，不太容易出错，如下:

# -*- coding: utf-8 -*-from caffe.proto import caffe_pb2s = caffe_pb2.SolverParameter()path='/home/xxx/data/'solver_file=path+'solver1.prototxt's.train_net = path+'train.prototxt's.test_net.append(path+'val.prototxt')s.test_interval = 782  s.test_iter.append(313) s.max_iter = 78200 s.base_lr = 0.001 s.momentum = 0.9s.weight_decay = 5e-4s.lr_policy = 'step'
s.stepsize=26067s.gamma = 0.1s.display = 782s.snapshot = 7820s.snapshot_prefix = 'shapshot's.type = “SGD”s.solver_mode = caffe_pb2.SolverParameter.GPUwith open(solver_file, 'w') as f:    f.write(str(s))