網(wǎng)站首頁 編程語言 正文
引言
solver算是caffe的核心的核心,它協(xié)調(diào)著整個模型的運(yùn)作。caffe程序運(yùn)行必帶的一個參數(shù)就是solver配置文件。運(yùn)行代碼一般為
# 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(yōu)化方法來求解。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,實際上就是一種迭代的優(yōu)化算法。
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),在solver配置文件中,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,請看本系列的下一篇文章, 本文著重介紹solver配置文件的編寫。
Solver的流程:
- 1.設(shè)計好需要優(yōu)化的對象,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)用另外一個配置文件prototxt來進(jìn)行)
- 2.通過forward和backward迭代的進(jìn)行優(yōu)化來跟新參數(shù)。
- 3.定期的評價測試網(wǎng)絡(luò)。 (可設(shè)定多少次訓(xùn)練后,進(jìn)行一次測試)
- 4.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,solver做了這幾步工作:
- 1、調(diào)用forward算法來計算最終的輸出值,以及對應(yīng)的loss
- 2、調(diào)用backward算法來計算每層的梯度
- 3、根據(jù)選用的slover方法,利用梯度進(jìn)行參數(shù)更新
- 4、記錄并保存每次迭代的學(xué)習(xí)率、快照,以及對應(yīng)的狀態(tài)。
接下來,我們先來看一個實例:
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,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。每一個模型就是一個net,需要在一個專門的配置文件中對net進(jìn)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: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。
訓(xùn)練測試模型
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。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(jié)合起來理解。mnist數(shù)據(jù)中測試樣本總數(shù)為10000,一次性執(zhí)行全部數(shù)據(jù)效率很低,因此我們將測試數(shù)據(jù)分成幾個批次來執(zhí)行,每個批次的數(shù)量就是batch_size。假設(shè)我們設(shè)置batch_size為100,則需要迭代100次才能將10000個數(shù)據(jù)全部執(zhí)行完。因此test_iter設(shè)置為100。執(zhí)行完一次全部數(shù)據(jù),稱之為一個epoch
test_interval: 500
測試間隔。也就是每訓(xùn)練500次,才進(jìn)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,用于學(xué)習(xí)率的設(shè)置。只要是梯度下降法來求解優(yōu)化,都會有一個學(xué)習(xí)率,也叫步長。base_lr用于設(shè)置基礎(chǔ)學(xué)習(xí)率,在迭代的過程中,可以對基礎(chǔ)學(xué)習(xí)率進(jìn)行調(diào)整。怎么樣進(jìn)行調(diào)整,就是調(diào)整的策略,由lr_policy來設(shè)置。
lr_policy可以設(shè)置為下面這些值,相應(yīng)的學(xué)習(xí)率的計算為:
- - 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stepvalue。這個參數(shù)和step很相似,step是均勻等間隔變化,而multistep則是根據(jù) stepvalue值變化
- - poly:學(xué)習(xí)率進(jìn)行多項式誤差, 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
參數(shù)
接下來的參數(shù):
momentum :0.9
上一次梯度更新的權(quán)重,具體可參看下一篇文章。
type: SGD
優(yōu)化算法選擇。這一行可以省掉,因為默認(rèn)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(quán)重衰減項,防止過擬合的一個參數(shù)。
display: 100
每訓(xùn)練100次,在屏幕上顯示一次。如果設(shè)置為0,則不顯示。
max_iter: 20000
最大迭代次數(shù)。這個數(shù)設(shè)置太小,會導(dǎo)致沒有收斂,精確度很低。設(shè)置太大,會導(dǎo)致震蕩,浪費時間。
snapshot: 5000 snapshot_prefix: "examples/mnist/lenet"
快照。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,默認(rèn)為0,不保存。snapshot_prefix設(shè)置保存路徑。
還可以設(shè)置snapshot_diff,是否保存梯度值,默認(rèn)為false,不保存。
也可以設(shè)置snapshot_format,保存的類型。有兩種選擇:HDF5 和BINARYPROTO ,默認(rèn)為BINARYPROTO
solver_mode: CPU
設(shè)置運(yùn)行模式。默認(rèn)為GPU,如果你沒有GPU,則需要改成CPU,否則會出錯。
注意:以上的所有參數(shù)都是可選參數(shù),都有默認(rèn)值。根據(jù)solver方法(type)的不同,還有一些其它的參數(shù),在此不一一列舉。
原文鏈接:https://www.cnblogs.com/denny402/p/5074049.html
相關(guān)推薦
- 2022-08-26 go-micro開發(fā)RPC服務(wù)以及運(yùn)行原理介紹_Golang
- 2023-03-02 golang中new與make的區(qū)別講解_Golang
- 2023-02-10 Python中如何自定義函數(shù)_python
- 2022-07-21 element 中l(wèi)oading顏色的修改
- 2022-07-11 UVM中uvm_config_db在sequence中的使用
- 2022-02-05 Numpy中不同維度數(shù)組之間的計算
- 2022-10-17 Python?Django源碼運(yùn)行過程解析_python
- 2022-10-14 SpringCloud 服務(wù)注冊 Eureka 與 負(fù)載均衡 RestTemplate
- 最近更新
-
- window11 系統(tǒng)安裝 yarn
- 超詳細(xì)win安裝深度學(xué)習(xí)環(huán)境2025年最新版(
- Linux 中運(yùn)行的top命令 怎么退出?
- MySQL 中decimal 的用法? 存儲小
- get 、set 、toString 方法的使
- @Resource和 @Autowired注解
- Java基礎(chǔ)操作-- 運(yùn)算符,流程控制 Flo
- 1. Int 和Integer 的區(qū)別,Jav
- spring @retryable不生效的一種
- Spring Security之認(rèn)證信息的處理
- Spring Security之認(rèn)證過濾器
- Spring Security概述快速入門
- Spring Security之配置體系
- 【SpringBoot】SpringCache
- Spring Security之基于方法配置權(quán)
- redisson分布式鎖中waittime的設(shè)
- maven:解決release錯誤:Artif
- restTemplate使用總結(jié)
- Spring Security之安全異常處理
- MybatisPlus優(yōu)雅實現(xiàn)加密?
- Spring ioc容器與Bean的生命周期。
- 【探索SpringCloud】服務(wù)發(fā)現(xiàn)-Nac
- Spring Security之基于HttpR
- Redis 底層數(shù)據(jù)結(jié)構(gòu)-簡單動態(tài)字符串(SD
- arthas操作spring被代理目標(biāo)對象命令
- Spring中的單例模式應(yīng)用詳解
- 聊聊消息隊列,發(fā)送消息的4種方式
- bootspring第三方資源配置管理
- GIT同步修改后的遠(yuǎn)程分支