(8)caffe總結之solver及其配置
solver算是caffe的核心的核心,它協調著整個模型的運作。caffe程式執行必帶的一個引數就是solver配置檔案。執行程式碼一般為
# caffe train --solver=*_slover.prototxt
在Deep Learning中,往往loss function是非凸的,沒有解析解,我們需要通過優化方法來求解。solver的主要作用就是交替呼叫前向(forward)演算法和後向(backward)演算法來更新引數,從而最小化loss,實際上就是一種迭代的優化演算法。
到目前的版本,caffe提供了六種優化演算法來求解最優引數,在solver配置檔案中,通過設定type型別來選擇。
- 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,請看本系列的下一篇文章, 本文著重介紹solver配置檔案的編寫。
Solver的流程:
1. 設計好需要優化的物件,以及用於學習的訓練網路和用於評估的測試網路。(通過呼叫另外一個配置檔案prototxt來進行)
2. 通過forward和backward迭代的進行優化來跟新引數。
3. 定期的評價測試網路。 (可設定多少次訓練後,進行一次測試)
4. 在優化過程中顯示模型和solver的狀態
在每一次的迭代過程中,solver做了這幾步工作:
1、呼叫forward演算法來計算最終的輸出值,以及對應的loss
2、呼叫backward演算法來計算每層的梯度
3、根據選用的slover方法,利用梯度進行引數更新
4、記錄並儲存每次迭代的學習率、快照,以及對應的狀態。
接下來,我們先來看一個例項:
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,我們對每一行進行詳細解譯:
net: "examples/mnist/lenet_train_test.prototxt"
設定深度網路模型。每一個模型就是一個net,需要在一個專門的配置檔案中對net進行配置,每個net由許多的layer所組成。每一個layer的具體配置方式可參考本系列文文章中的(2)-(5)。注意的是:檔案的路徑要從caffe的根目錄開始,其它的所有配置都是這樣。
也可用train_net和test_net來對訓練模型和測試模型分別設定。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
這個要與test layer中的batch_size結合起來理解。mnist資料中測試樣本總數為10000,一次性執行全部資料效率很低,因此我們將測試資料分成幾個批次來執行,每個批次的數量就是batch_size。假設我們設定batch_size為100,則需要迭代100次才能將10000個資料全部執行完。因此test_iter設定為100。執行完一次全部資料,稱之為一個epoch
test_interval: 500
測試間隔。也就是每訓練500次,才進行一次測試。
base_lr: 0.01
lr_policy: "inv"
gamma: 0.0001
power: 0.75
這四行可以放在一起理解,用於學習率的設定。只要是梯度下降法來求解優化,都會有一個學習率,也叫步長。base_lr用於設定基礎學習率,在迭代的過程中,可以對基礎學習率進行調整。怎麼樣進行調整,就是調整的策略,由lr_policy來設定。
lr_policy可以設定為下面這些值,相應的學習率的計算為:
-
- - fixed: 保持base_lr不變.
- - step: 如果設定為step,則還需要設定一個stepsize, 返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示當前的迭代次數
- - exp: 返回base_lr * gamma ^ iter, iter為當前迭代次數
- - inv: 如果設定為inv,還需要設定一個power, 返回base_lr * (1 + gamma * iter) ^ (- power)
- - multistep: 如果設定為multistep,則還需要設定一個stepvalue。這個引數和step很相似,step是均勻等間隔變化,而multistep則是根據 stepvalue值變化
- - poly: 學習率進行多項式誤差, 返回 base_lr (1 - iter/max_iter) ^ (power)
- - sigmoid: 學習率進行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
接下來的引數:
momentum :0.9
上一次梯度更新的權重,具體可參看下一篇文章。
type: SGD
優化演算法選擇。這一行可以省掉,因為預設值就是SGD。總共有六種方法可選擇,在本文的開頭已介紹。
weight_decay: 0.0005
權重衰減項,防止過擬合的一個引數。
display: 100
每訓練100次,在螢幕上顯示一次。如果設定為0,則不顯示。
max_iter: 20000
最大迭代次數。這個數設定太小,會導致沒有收斂,精確度很低。設定太大,會導致震盪,浪費時間。
snapshot: 5000 snapshot_prefix: "examples/mnist/lenet"
快照。將訓練出來的model和solver狀態進行儲存,snapshot用於設定訓練多少次後進行儲存,預設為0,不儲存。snapshot_prefix設定儲存路徑。
還可以設定snapshot_diff,是否儲存梯度值,預設為false,不儲存。
也可以設定snapshot_format,儲存的型別。有兩種選擇:HDF5 和BINARYPROTO ,預設為BINARYPROTO
solver_mode: CPU
設定執行模式。預設為GPU,如果你沒有GPU,則需要改成CPU,否則會出錯。
注意:以上的所有引數都是可選引數,都有預設值。根據solver方法(type)的不同,還有一些其它的引數,在此不一一列舉。
相關文章
- 【Caffe篇】--Caffe solver層從初始到應用
- (2)caffe總結之目錄結構
- (14)caffe總結之Linux下Caffe如何除錯Linux除錯
- (11)caffe總結之命令列解析命令列
- (7)caffe總結之Blob,Layer and Net以及對應配置檔案的編寫
- (4)caffe總結之視覺層及引數視覺
- (6)caffe總結之其它常用層及引數
- (13)caffe總結之訓練和測試自己的圖片
- caffe study- AlexNet 之結構篇
- caffe中各種cblas的函式使用總結函式
- 前端面試題及其總結前端面試題
- 如何在Caffe中配置每一個層的結構
- caffe學習(1)caffe模型三種結構模型
- Android UI美化之 shape的使用及其屬性總結AndroidUI
- JAVASE常用的類及其方法總結Java
- JAVA註解的總結及其作用Java
- 方法及其最佳化技巧總結
- Caffe程式碼結構
- Cygwin配置總結
- stream配置總結
- Jenkins配置總結Jenkins
- 小程式 · 配置總結
- Nginx Location配置總結Nginx
- DBLink配置總結
- 2024年8月總結及隨筆之逝
- centos下caffe用GPU編譯搭建過程以及錯誤總結CentOSGPU編譯
- Java8特性總結Java
- iOS 8新功能總結iOS
- 5月8號總結
- PTA7-8總結
- 3月8日總結
- 11月8號總結
- Ubuntu 16.04 下安裝配置caffeUbuntu
- ubuntu 16.04中CAFFE配置步驟Ubuntu
- caffe study - 資料結構(1)資料結構
- caffe的基本資料結構資料結構
- (12)caffe總結之影像資料轉換成db(leveldb/lmdb)檔案
- webpack整體配置總結Web