网站备案号 脱离服务商,如何下载别人网站模板,wordpress 添加h5游戏,网站准确的定位solver及其配置solver算是caffe的核心的核心#xff0c;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#caffe train --solver*_slover.prototxt在Deep Learning中#xff0c;往往loss function是非凸的#xff0c;没有解析解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#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) andRMSprop (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loss2、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.prototxttest_iter:100test_interval:500base_lr:0.01momentum:0.9type: SGDweight_decay:0.0005lr_policy:invgamma:0.0001power:0.75display:100max_iter:20000snapshot:5000snapshot_prefix:examples/mnist/lenetsolver_mode: CPU接下来我们对每一行进行详细解译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train_net: examples/hdf5_classification/logreg_auto_train.prototxttest_net:examples/hdf5_classification/logreg_auto_test.prototxt接下来第二行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epochtest_interval: 500测试间隔。也就是每训练500次才进行一次测试。base_lr: 0.01lr_policy: invgamma: 0.0001power: 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base_lr: 0.01momentum:0.9weight_decay:0.0005#The learning rate policylr_policy: multistepgamma:0.9stepvalue:5000stepvalue:7000stepvalue:8000stepvalue:9000stepvalue:9500接下来的参数momentum 0.9上一次梯度更新的权重具体可参看下一篇文章。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。weight_decay: 0.0005权重衰减项防止过拟合的一个参数。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。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。snapshot: 5000snapshot_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BINARYPROTOsolver_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。
