Caffe卷积神经网络solver及配置的方法

这篇文章主要介绍“Caffe卷积神经网络solver及配置的方法”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“Caffe卷积神经网络solver及配置的方法”文章能帮助大家解决问题。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")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：接下来，我们对每一行进行详细解译：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。每免费云主机域名一个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：接下来第二行：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测试间隔。也就是每训练500次，才进行一次测试。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：接下来的参数：上一次梯度更新的权重，具体可参看下一篇文章。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。权重衰减项，防止过拟合的一个参数。每训练100次，在屏幕上显示一次。如果设置为0，则不显示。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。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。关于“Caffe卷积神经网络solver及配置的方法”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注百云主机行业资讯频道，小编每天都会为大家更新不同的知识点。

相关推荐: Linux常用nvidia-smi命令有哪些

本篇内容主要讲解“Linux常用nvidia-smi命令有哪些”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Linux常用nvidia-smi命令有哪些”吧!nvidia-smi – NVIDIA System M…