资讯专栏INFORMATION COLUMN

Caffe神经网络solver及其配备详细说明

89542767 / 369人阅读

  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

相关文章

  • caffe的python插口形成solver文件详细说明学习培训

      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...

    89542767 评论0 收藏0
  • caffe的python插口制作loss和accuracy曲线图

      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...

    89542767 评论0 收藏0
  • caffe的python插口之手写数字识别mnist案例

      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...

    89542767 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<