文中关键给大家介绍了Caffe神经网络solver及其配备详细说明,感兴趣的小伙伴可以参考借鉴一下,希望可以有一定的帮助,祝愿大家多多的发展,尽早涨薪
前言
solver算是caffe的最核心的关键,它融洽着全部建模运行。caffe程序执行必带的另一个主要参数就是solver环境变量。运行代码一般为
#caffe train--solver=*_slover.prototxt
在DeepLearning中,通常lossfunction是非凸的,并没有解析解,我们应该依据优化策略来求得。solver的关键作用是更替启用非前(forward)优化计算方法和时向(backward)优化计算方法来刷新主要参数,进而降到最低loss,实际上是一类提升的优化计算方法。
至目前版本,caffe带来了6种优化计算方法来求得最佳主要参数,在solver环境变量中,可设置type类型来挑选。
StochasticGradientDescent(type:"SGD"),
AdaDelta(type:"AdaDelta"),
AdaptiveGradient(type:"AdaGrad"),
Adam(type:"Adam"),
Nesterov’sAcceleratedGradient(type:"Nesterov")and
RMSprop(type:"RMSProp")
具体每一种方式的讲解,请看本系列下篇文章,文中重点详细介绍solver环境变量的撰写。
Solver的步骤:
1.制定好必须改善的目标,及其用以学习培训的练习网络与用以鉴定的测试网络。(依据启用另一个环境变量prototxt去进行)
2.依据forward和backward提升的进行改善来跟主要参数。
3.定期进行的点评测试网络。(可设置几回训练后,做一次检测)
4.在提升环节中表明建模和solver的情况
在每次的循环迭代中,solver进行了这两步工作中:
1、调用forward算法进行计算最后的导出值,及其相匹配的loss
2、调用backward算法进行计算各层的梯度方向
3、依据采用的slover方法,运用梯度方向开展主要参数刷新
4、统计并储存每一次提升的学习率、快照更新,及其相对应的情况。
下面,我们首先来说个案例:
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。
训练测试模型
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
参数
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 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。
snpshot: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。
综上所述,这篇内容就给大家介绍到这里了,希望可以给大家带来帮助。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/128771.html
本文主要是给大家介绍了caffe的python插口形成solver文件详细说明学习培训实例,感兴趣的小伙伴可以参考借鉴一下,希望可以有一定的帮助,祝愿大家多多的不断进步,尽早涨薪 也有一些基本参数必须计算出来的,并不是乱设定。 solver.prototxt的文件参数设置 caffe在训练的时候,需要一些参数设置,我们一般将这些参数设置在一个叫solver.prototxt的文件里面,如...
此篇文章主要是给大家介绍了caffe的python插口制作loss和accuracy曲线图实例详细说明,感兴趣的小伙伴可以参考借鉴一下,希望可以有一定的帮助,祝愿大家多多的发展,尽早涨薪 前言 使用python插口来运行caffe程序流程,根本原因是python很容易数据可视化。所以才建议大家在cmd下边运行python程序流程。如果一定要在cmd下边运作,不如直接用c++算了。 强烈推...
文中主要是给大家介绍了caffe的python插口之手写数字识别mnist案例详细说明,感兴趣的小伙伴可以参考借鉴一下,希望可以有一定的帮助,祝愿大家多多的发展,尽早涨薪 论文引言 机器学习第一个案例一般都是是mnist,只需这个案例彻底搞懂了,其他的便是触类旁通的事了。因为字数缘故,文中不简单介绍环境变量里边每一个指标的具体函义,如果要搞明白的,请参考我之前的微博文章: 数据访问层及主...
阅读 889·2023-01-14 11:38
阅读 833·2023-01-14 11:04
阅读 684·2023-01-14 10:48
阅读 1887·2023-01-14 10:34
阅读 891·2023-01-14 10:24
阅读 750·2023-01-14 10:18
阅读 479·2023-01-14 10:09
阅读 519·2023-01-14 10:02