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
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gpu sp['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。