caffe solver.prototxt参数意义与设置
-
batchsize:每迭代一次,网络训练图片的数量,例如:如果你的batchsize=256,则你的网络每迭代一次,训练256张图片;则,如果你的总图片张数为1280000张,则要想将你所有的图片通过网络训练一次,则需要1280000/256=5000次迭代。
-
epoch:表示将所有图片在你的网络中训练一次所需要的迭代次数,如上面的例子:5000次;我们称之为 一代。所以如果你想要你的网络训练100代时,则你的总的迭代次数为max_iteration=5000*100=500000次;
-
max_iteration:网络的最大迭代次数如上面的500000次;同理,如果max_iteration=450000,则该网络被训练450000/5000=90代。
-
test_iter:表示测试的次数;比如,你的test阶段的batchsize=100,而你的测试数据为10000张图片,则你的测试次数为10000/100=100次;即,你的test_iter=100;
-
test_interval:表示你的网络迭代多少次才进行一次测试,你可以设置为网络训练完一代,就进行一次测试,比如前面的一代为5000次迭代时,你就可以设置test_interval=5000;
-
base_lr:表示基础学习率,在参数梯度下降优化的过程中,学习率会有所调整,而调整的策略就可通过lr_policy这个参数进行设置,若lr_policy设置为step,若stepsize=5000, base_lr=0.01, gamma=0.1,则当迭代到第一个5000次时,lr第一次衰减,衰减后的lr=lrgamma=0.010.1=0.001,以后重复该过程,所以 stepsize是lr的衰减步长,gamma是lr的衰减系数;
-
stepsize不能太小,如果太小会导致学习率再后来越来越小,达不到充分收敛的效果stepsize不能太小,如果太小会导致学习率再后来越来越小,达不到充分收敛的效果
-
lr_policy:学习率的调整策略:
- 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))))
-
momentum:0.9,动量,不建议调整,表示上一次梯度更新的权重;
-
weight_decay:表示权重衰减,用于防止过拟合;
-
训练样本
总共:121368个
batch_szie:256
将所有样本处理完一次(称为一代,即epoch)需要:121368/256=475 次迭代才能完成
所以这里将test_interval设置为475,即处理完一次所有的训练数据后,才去进行测试。所以这个数要大于等于475.
如果想训练100代,则最大迭代次数为47500; -
测试样本
同理,如果有1000个测试样本,batch_size为25,那么需要40次才能完整的测试一次。 所以test_iter为40;这个数要大于等于40. -
学习率
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47500次,我们将变化5次,所以stepsize设置为47500/5=9500,即每迭代9500次,我们就降低一次学习率。 -
type
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
caffe 提供了六种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) #随机梯度下降
AdaDelta(type:AdaDelta)
Adaptive Gradient(type: Adaptive)
Adam(type:Adam)
Nesterov’s Accelerated Gradient(type:Nesterov)
RMSprop(type:RMSprop) -
display: 100 ,每训练100次,在屏幕上先是一次,如果设置为0,则不显示;
-
snapshot: 1000 ,快照,将训练出来的model和solver进行保存,snapshot 用于设置训练多少次后进行保存;
-
snapshot_prefix: “examples/mnist/lenet” :保存路径
-
solver_mode: GPU ,是否使用GPU