Caffe:solver及其配置
# 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。
接下来,我们先来看一个实例:
- 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:
- 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.prototxt"
- test_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epoch
- test_interval: 500
测试间隔。也就是每训练500次,才进行一次测试。
- 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:
- 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:
- 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
- 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
- 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。
Caffe:solver及其配置相关推荐
- 深度linux 网络配置文件,solver及其配置 - Caffe 深度学习入门教程_Linux教程_Linux公社-Linux系统门户网站...
solver及其配置 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 #caffe train --solve ...
- Win10+vs2013+Caffe静态库配置自己的工程
Win10+vs2013+Caffe静态库配置自己的工程 转载请注明原出处:http://blog.csdn.net/ouyangfushu/article/details/79450501 作者:S ...
- Caffe学习系列(7):solver及其配置
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 # caffe train --solver=*_slover ...
- Elam的caffe笔记之配置篇(一):CentOS6.5编译安装gcc4.8.2
配置要求: 系统:centos6.5 目标:基于CUDA8.0+Opencv3.1+Cudnnv5.1+python3.6接口的caffe框架 gcc是linux编译安装必备的编译器 CentOS6. ...
- Ubuntu16.04 +cuda8.0+cudnn+opencv+caffe+theano+tensorflow配置明细
本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权 欢迎关注我的博客:http://blog.csdn.net/hit2015spring和http://www.c ...
- Ubuntu16.04+caffe+digits安装配置
注:本文主要介绍的是如何在ubuntu16.04系统下安装caffe以及可视化工具digits,至于cuda和cudnn的安装配置在我前一篇文章http://blog.csdn.net/cdwxx12 ...
- SSD(based on Caffe)环境配置
之前在自己的笔记本上配置过caffe,实在是费了老劲.仍记得无数次呆呆的坐在电脑前,读着terminal中的报错信息,各种百度各种谷歌,一点一点的配置环境实在是太痛苦了.不过好在之前跌跌撞撞的配置 ...
- 【caffe】ubuntu配置matlab接口----matcaffe
安装matlab2014a 1.从http://pan.baidu.com/s/1qYJ9tNm 下载matlab2014a,解压文件matlab 得到.iso文件(7.7G) 2.将iso文件挂载到 ...
- caffe的安装配置(CUDA7.5+VS2013)
安装过程: 1.安装VS2013(可自定义安装路径): 2.安装CUDA7.5(选择默认路径即可,其中选择自定义安装): 3.下载cudnn v4(或v3),并将其中的bin,include,lib文 ...
最新文章
- elasticsearch 9300端口连接不上_SpringBoot2.x系列教程54--SpringBoot整合ElasticSearch方式一...
- 「情报局21」2019 AI 进入新算力时代
- win10如何使用语音输入文字功能?(语音识别)
- Spring Cloud 微服务实战系列-Eureka注册中心(一)
- mysql 提交 按钮_表单提交按钮input和button、a的差异
- 详解淘宝直播背后的技术!
- 要用linux,不会shell 基本语法搞不来~
- kali安装步骤失败 选择并安装软件_7Zip v19.00 软件安装步骤
- 一个简单易用的m3u8下载器,支持下载m3u8链接或文件为mp4或ts格式
- 基于Spark的学生成绩分析系统
- 上海市犬伤处置门诊目录(上海哪些医院可以打狂犬疫苗)
- DAY1 Two Shuffled Sequences
- 我的世界刷猪人塔java版_我的世界速攻猪人塔详解 史上最牛的经验塔
- 【902】大恒相机网络配置
- 手机停机照样可以上网,,教教你。。
- JAVA毕设项目林家餐厅自助点餐管理系统(java+VUE+Mybatis+Maven+Mysql)
- 科研篇一:NeurIPS2019 分类整理-对抗样本Meta-Learning
- 宝塔上设置阿里云code的git管理
- Jumpserver安装和测试连接
- 认知BMS电池管理系统,看这一篇就够了!
热门文章
- 使用flink Table Sql api来构建批量和流式应用(3)Flink Sql 使用
- hibernate 三种查询方式源码跟踪及总结
- Lesson 13.5 Xavier方法与kaiming方法(HE初始化)
- 【大数据-Hadoop】Hadoop架构
- LR模型常见问题小议
- jvm性能调优实战 - 47超大数据量处理系统是如何OOM的
- Android-上传图片(二)_HttpClient
- 爬虫学习笔记(二十三)—— Appium+Mitmproxy
- c语言考试长沙理工大学,2013年长沙理工大学C语言考试试卷A.doc
- 射影几何笔记5:齐次坐标(Homogeneous coordinates)