solver算是caffe的核心的核心俄周，它協(xié)調(diào)著整個(gè)模型的運(yùn)作渤闷。caffe程序運(yùn)行必帶的一個(gè)參數(shù)就是solver配置文件曾沈。運(yùn)行代碼一般為
caffe train --solver=*_slover.prototxt
在Deep Learning中间景，往往loss function是非凸的痘系，沒有解析解订晌，我們需要通過優(yōu)化方法來求解虏辫。solver的主要作用就是交替調(diào)用前向（forward)算法和后向（backward)算法來更新參數(shù)，從而最小化loss锈拨，實(shí)際上就是一種迭代的優(yōu)化算法砌庄。
到目前的版本，caffe提供了六種優(yōu)化算法來求解最優(yōu)參數(shù)奕枢，在solver配置文件中娄昆，通過設(shè)置type類型來選擇。
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"
)
具體的每種方法的介紹詳見梯度下降算法總結(jié) , 本文著重介紹solver配置文件的編寫缝彬。
Solver的流程：
設(shè)計(jì)好需要優(yōu)化的對象萌焰，以及用于學(xué)習(xí)的訓(xùn)練網(wǎng)絡(luò)和用于評估的測試網(wǎng)絡(luò)。（通過調(diào)用另外一個(gè)配置文件prototxt來進(jìn)行）通過forward和backward迭代的進(jìn)行優(yōu)化來跟新參數(shù)谷浅。定期的評價(jià)測試網(wǎng)絡(luò)扒俯。 （可設(shè)定多少次訓(xùn)練后，進(jìn)行一次測試）在優(yōu)化過程中顯示模型和solver的狀態(tài)
在每一次的迭代過程中一疯，solver做了這幾步工作：
1撼玄、調(diào)用forward算法來計(jì)算最終的輸出值，以及對應(yīng)的loss
2墩邀、調(diào)用backward算法來計(jì)算每層的梯度
3掌猛、根據(jù)選用的slover方法，利用梯度進(jìn)行參數(shù)更新
4眉睹、記錄并保存每次迭代的學(xué)習(xí)率荔茬、快照废膘，以及對應(yīng)的狀態(tài)。
接下來慕蔚，我們先來看一個(gè)實(shí)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
接下來丐黄，我們對每一行進(jìn)行詳細(xì)解譯：
net: "examples/mnist/lenet_train_test.prototxt"
設(shè)置深度網(wǎng)絡(luò)模型。每一個(gè)模型就是一個(gè)net坊萝，需要在一個(gè)專門的配置文件中對net進(jìn)行配置孵稽，每個(gè)net由許多的layer所組成许起。每一個(gè)layer的具體配置方式可參考caffe各種層十偶。注意的是：文件的路徑要從caffe的根目錄開始，其它的所有配置都是這樣园细。
也可用train_net和test_net來對訓(xùn)練模型和測試模型分別設(shè)定惦积。例如：
train_net: "examples/hdf5_classification/logreg_auto_train.prototxt"
test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"
接下來第二行：
test_iter: 100
這個(gè)要與test layer中的batch_size結(jié)合起來理解。mnist數(shù)據(jù)中測試樣本總數(shù)為10000猛频，一次性執(zhí)行全部數(shù)據(jù)效率很低(全局剃度下降)狮崩，因此我們將測試數(shù)據(jù)分成幾個(gè)批次（隨即梯度下降）來執(zhí)行，每個(gè)批次的數(shù)量就是batch_size鹿寻。假設(shè)我們設(shè)置batch_size為100睦柴，則需要迭代100次才能將10000個(gè)數(shù)據(jù)全部執(zhí)行完。因此test_iter設(shè)置為100毡熏。執(zhí)行完一次全部數(shù)據(jù)坦敌，稱之為一個(gè)epoch
test_interval: 500
測試間隔。也就是每訓(xùn)練500次痢法，才進(jìn)行一次測試狱窘。
base_lr: 0.01
lr_policy: "inv"
gamma: 0.0001
power: 0.75
這四行可以放在一起理解，用于學(xué)習(xí)率的設(shè)置财搁。只要是梯度下降法來求解優(yōu)化蘸炸，都會有一個(gè)學(xué)習(xí)率，也叫步長尖奔。base_lr用于設(shè)置基礎(chǔ)學(xué)習(xí)率搭儒，在迭代的過程中，可以對基礎(chǔ)學(xué)習(xí)率進(jìn)行調(diào)整提茁。怎么樣進(jìn)行調(diào)整淹禾，就是調(diào)整的策略，由lr_policy來設(shè)置甘凭。
lr_policy可以設(shè)置為下面這些值稀拐，相應(yīng)的學(xué)習(xí)率的計(jì)算為：
-fixed: 保持base_lr不變.
-step: 如果設(shè)置為step,則還需要設(shè)置一個(gè)stepsize, 返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示當(dāng)前的迭代次數(shù)
-exp: 返回base_lr * gamma ^ iter， iter為當(dāng)前迭代次數(shù)
-inv: 如果設(shè)置為inv,還需要設(shè)置一個(gè)power, 返回base_lr * (1 + gamma * iter) ^ (- power)
-multistep: 如果設(shè)置為multistep,則還需要設(shè)置一個(gè)stepvalue丹弱。這個(gè)參數(shù)和step很相似德撬，step是均勻等間隔變化铲咨，而multistep則是根據(jù) stepvalue值變化
-poly: 學(xué)習(xí)率進(jìn)行多項(xiàng)式誤差, 返回 base_lr (1 - iter/max_iter) ^ (power)
-sigmoid: 學(xué)習(xí)率進(jìn)行sigmod衰減，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
接下來的參數(shù)：
momentum ：0.9
上一次梯度更新的權(quán)重
type: SGD
優(yōu)化算法選擇蜓洪。這一行可以省掉纤勒，因?yàn)槟J(rèn)值就是SGD÷√矗總共有六種方法可選擇摇天，在本文的開頭已介紹。
weight_decay: 0.0005
權(quán)重衰減項(xiàng)恐仑，防止過擬合的一個(gè)參數(shù)泉坐。
display: 100
每訓(xùn)練100次，在屏幕上顯示一次裳仆。如果設(shè)置為0腕让，則不顯示。
max_iter: 20000
最大迭代次數(shù)歧斟。這個(gè)數(shù)設(shè)置太小纯丸，會導(dǎo)致沒有收斂，精確度很低静袖。設(shè)置太大觉鼻，會導(dǎo)致震蕩，浪費(fèi)時(shí)間队橙。
snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"
快照坠陈。將訓(xùn)練出來的model和solver狀態(tài)進(jìn)行保存，snapshot用于設(shè)置訓(xùn)練多少次后進(jìn)行保存喘帚，默認(rèn)為0畅姊，不保存。snapshot_prefix設(shè)置保存路徑吹由。
還可以設(shè)置snapshot_diff若未，是否保存梯度值，默認(rèn)為false,不保存倾鲫。
也可以設(shè)置snapshot_format粗合，保存的類型。有兩種選擇：HDF5 和BINARYPROTO 乌昔，默認(rèn)為BINARYPROTO
solver_mode: CPU
設(shè)置運(yùn)行模式隙疚。默認(rèn)為GPU,如果你沒有GPU,則需要改成CPU,否則會出錯。
