Caffe卷积神经网络solver及其配置代码剖析

发布时间：2022-06-30 13:09 所属栏目：121 来源：互联网

导读：本篇文章小编给大家分享一下Caffe卷积神经网络solver及其配置代码解析，文章代码介绍的很详细，小编觉得挺不错的，现在分享给大家供大家参考，有需要的小伙伴们可以来看看。引言 solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的

　　本篇文章小编给大家分享一下Caffe卷积神经网络solver及其配置代码解析，文章代码介绍的很详细，小编觉得挺不错的，现在分享给大家供大家参考，有需要的小伙伴们可以来看看。

　　引言

　　solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为

　　?
　　1
　　# 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。

　　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：

　　?
　　1
　　net: "examples/mnist/lenet_train_test.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。每一个layer的具体配置方式可参考本系列文文章中的（2）-（5）。注意的是：文件的路径要从caffe的根目录开始，其它的所有配置都是这样。

　　也可用train_net和test_net来对训练模型和测试模型分别设定。例如：

　　?
　　1
　　2
　　train_net: "examples/hdf5_classification/logreg_auto_train.prototxt"
　　test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"
　　接下来第二行：

　　?
　　1
　　test_iter: 100
　　这个要与test layer中的batch_size结合起来理解。mnist数据中测试样本总数为10000，一次性执行全部数据效率很低，因此我们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。假设我们设置batch_size为100，则需要迭代100次才能将10000个数据全部执行完。因此test_iter设置为100。执行完一次全部数据，称之为一个epoch

　　?
　　1
　　test_interval: 500
　　测试间隔。也就是每训练500次，才进行一次测试。

　　?
　　1
　　2
　　3
　　4
　　base_lr: 0.01
　　lr_policy: "inv"
　　gamma: 0.0001
　　power: 0.75
　　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。怎么样进行调整，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sigmod衰减，返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))

　　multistep示例：

　　?
　　1
　　2
　　3
　　4
　　5
　　6
　　7
　　8
　　9
　　10
　　11
　　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：

　　?
　　1
　　momentum ：0.9
　　上一次梯度更新的权重

　　?
　　1
　　type: SGD
　　优化算法选择。这一行可以省掉，因为默认值就是SGD。总共有六种方法可选择，在本文的开头已介绍。

　　?
　　1
　　weight_decay: 0.0005
　　权重衰减项，防止过拟合的一个参数。

　　?
　　1
　　display: 100
　　每训练100次，在屏幕上显示一次。如果设置为0，则不显示。

　　?
　　1
　　max_iter: 20000
　　最大迭代次数。这个数设置太小，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。

　　?
　　1
　　2
　　snapshot: 5000
　　snapshot_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。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

　　?
　　1
　　solver_mode: CPU
　　设置运行模式。默认为GPU,如果你没有GPU,则需要改成CPU,否则会出错。

　　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。

（编辑：ASP站长网）