solver这个文件主要存放模型训练所用到的一些超参数
- 训练模型位置
train_net := 指定待训练模型结构文件,即train_val.prototxt - 训练次数:
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epoch。所以如果你想要你的网络训练100epoch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 epoch。 - 测试参数
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;
test_initialization := 指定是否进行初始测试,即模型未进行训练时的测试 - 学习率
base_lr := 指定基本学习率
lr_policy := 学习率变更策略
gamma := 学习率变更策略需要用到的参数
power := 同上
stepsize := 学习率变更策略Step的变更步长(固定步长)
stepvalue := 学习率变更策略Multistep的变更步长(可变步长)
momentum := 动量,这是优化策略(Adam, SGD, … )用到的参数,表示上一次梯度更新的权重
momentum2 := 优化策略Adam用到的参数
weight_decay := 权重衰减率,用于防止过拟合
clip_gradients := 固定梯度范围
- 显示
display := 每隔几次迭代显示一次结果 - 保存结果
snapshot := 快照,每隔几次保存一次模型参数
snapshot_prefix := 保存模型文件的前缀,可以是路径 - 其他
type := solver优化策略,即SGD、Adam、AdaGRAD、RMSProp、NESTROVE、ADADELTA等
solver_mode := 指定训练模式,即GPU/CPU
debug_info := 指定是否打印调试信息,这里有对启用该功能的输出作介绍
device_id := 指定设备号(使用GPU模式),默认为0