Caffe傻瓜系列(6):solver及其配置
# caffe train --solver=*_slover.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")
具体的每种方法的介绍，请看本系列的下一篇文章, 本文着重介绍solver配置文件的编写。
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：
- 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
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：
- net: "examples/mnist/lenet_train_test.prototxt"
net: "examples/mnist/lenet_train_test.prototxt"也可用train_net和test_net来对训练模型和测试模型分别设定。例如：
- train_net: "examples/hdf5_classification/logreg_auto_train.prototxt"
- test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"
train_net: "examples/hdf5_classification/logreg_auto_train.prototxt"
test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"
- test_iter: 100
test_iter: 100
- test_interval: 500
test_interval: 500
- base_lr: 0.01
- lr_policy: "inv"
- gamma: 0.0001
- power: 0.75
base_lr: 0.01
lr_policy: "inv"
gamma: 0.0001
power: 0.75
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：
- 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
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：
- momentum ：0.9
momentum ：0.9- type: SGD
type: SGD- weight_decay: 0.0005
weight_decay: 0.0005- display: 100
display: 100
- max_iter: 20000
max_iter: 20000
- snapshot: 5000
- snapshot_prefix: "examples/mnist/lenet"
snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"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
- solver_mode: CPU
solver_mode: CPU
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。
以上部分转自：http://www.cnblogs.com/denny402/p/5083300.html