solver.prototxt文件里面参数含义及其设置

solver 是caffe的核心之重，它是整个模型运行的参数配置文件。运行代码一般为：

#caffe train --solver=*_solver.prototxt

在DL中，损失函数（loss function）是非凸的，没有解析解，我们需要通过优化的方法来求解。solver的作用就是交替调用前向（forward）算法和后向（backward）算法来更新参数，从而最小化损失（loss），实际上就是一种迭代的优化算法。

接下来，我们看一个实例：

net:"examples/myfile/train_val.prototxt"

test_iter:10

test_interval:50

base_lr:0.001

lr_policy:"step"

gamma:0.1

stepsize:100

momentum:0.9

display:20

max_iter:500

snapshot:40

snapshot_prefix:"examples/myfile"

weight_decay:0.005

solver_mode:GPU

接下来，我们对每一行进行解析：

net:"examples/myfile/train_val.prototxt"

设置深度网络模型。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。上面这句代码就是设置训练网络的，网络模型文件配置，即examples/myfile/文件下的train_val.prototxt里面的配置。

接下来第二行代码：

test_iter:10

这个要与train layer 中的batch_size结合起来理解。训练数据中测试样本总数为400，一次性执行全部数据的效率太低，因此我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。本文，我将batch_size设置为40，则需要迭代10次才能将400个数据全部执行完。因此test_iter设置为10.执行完一次全部数据，称之为一个epoch.

test_interval:50

测试间隔。也就是每训练50次，才进行一次测试。

base_lr:0.001

lr_policy:"step"

gamma:0.1

stepsize:100

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sigmoid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

lr_policy:"multistep"

gamma:0.9

stepvalue:5000

stepvalue:7000

stepvalue:8000

stepvalue:9000

stepvalue:9500

下一行代码解析：

momentum:0.9

上一次梯度更新的权重。

下一行代码解析:

display:20

没训练20次，在屏幕显示一次。如果设置为0，则不显示。

max_iter:500

最大迭代次数。这个参数设置太小，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。

snapshot:40

snapshot_prefix:"examples/myfile"

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

weight_decay:0.005

权重衰减项，防止过拟合的一个参数。

solver_mode:GPU

设置运行模式。默认为GPU，如果你没有GPU，则需改成CPU，否则会出错。

注意：以上的所有参数均为可选参数，都有默认值，根据solver（type）方法的不同，还有一些其他的参数，大家根据自己的需要自己设置。