caffe 參數配置介紹
solver.prototxt 參數配置介紹
net: "models/bvlc_alexnet/train_val.prototxt"
test_iter: 1000 #
test_interval: 1000 #
base_lr: 0.01 # 開始的學習率
lr_policy: "step" # 學習率的drop是以gamma在每一次迭代中
gamma: 0.1
stepsize: 100000 # 每stepsize的迭代降低學習率:乘以gamma
display: 20 # 沒display次打印顯示loss
max_iter: 450000 # train 最大迭代max_iter
momentum: 0.9 #
weight_decay: 0.0005 #
snapshot: 10000 # 沒迭代snapshot次,保存一次快照
snapshot_prefix: "models/bvlc_reference_caffenet/caffenet_train"
solver_mode: GPU # 使用的模式是GPU
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
-
test_iter
在測試的時候,需要迭代的次數,即test_iter* batchsize(測試集的)=測試集的大小,測試集的 batchsize可以在prototx文件裏設置。 -
test_interval
訓練的時候,每迭代test_interval次就進行一次測試。 -
momentum
靈感來自於牛頓第一定律,基本思路是爲尋優加入了“慣性”的影響,這樣一來,當誤差曲面中存在平坦區的時候,SGD可以更快的速度學習。wi←m∗wi−η∂E∂wi
train_val.prototxt
layer { # 數據層
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN # 表明這是在訓練階段才包括進去
}
transform_param { # 對數據進行預處理
mirror: true # 是否做鏡像
crop_size: 227
# 減去均值文件
mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
}
data_param { # 設定數據的來源
source: "examples/imagenet/ilsvrc12_train_lmdb"
batch_size: 256
backend: LMDB
}
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST # 測試階段
}
transform_param {
mirror: false # 是否做鏡像
crop_size: 227
# 減去均值文件
mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
}
data_param {
source: "examples/imagenet/ilsvrc12_val_lmdb"
batch_size: 50
backend: LMDB
}
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
-
lr_mult
學習率,但是最終的學習率需要乘以 solver.prototxt 配置文件中的 base_lr .如果有兩個 lr_mult, 則第一個表示 weight 的學習率,第二個表示 bias 的學習率
一般 bias 的學習率是 weight 學習率的2倍’ -
decay_mult
權值衰減,爲了避免模型的over-fitting,需要對cost function加入規範項。wi←wi−η∂E∂wi−ηλwi -
num_output
卷積核(filter)的個數 -
kernel_size
卷積核的大小。如果卷積核的長和寬不等,需要用 kernel_h 和 kernel_w 分別設定
-
stride
卷積核的步長,默認爲1。也可以用stride_h和stride_w來設置。 -
pad
擴充邊緣,默認爲0,不擴充。擴充的時候是左右、上下對稱的,比如卷積核的大小爲5*5,那麼pad設置爲2,則四個邊緣都擴充2個像素,即寬度和高度都擴充了4個像素,這樣卷積運算之後的特徵圖就不會變小。
也可以通過pad_h和pad_w來分別設定。 -
weight_filler
權值初始化。 默認爲“constant”,值全爲0.
很多時候我們用”xavier”算法來進行初始化,也可以設置爲”gaussian”
weight_filler {
type: "gaussian"
std: 0.01
}
- 1
- 2
- 3
- 4
- 1
- 2
- 3
- 4
- bias_filler
偏置項的初始化。一般設置爲”constant”, 值全爲0。
bias_filler {
type: "constant"
value: 0
}
- 1
- 2
- 3
- 4
- 1
- 2
- 3
- 4
-
bias_term
是否開啓偏置項,默認爲true, 開啓
-
group
分組,默認爲1組。如果大於1,我們限制卷積的連接操作在一個子集內。
卷積分組可以減少網絡的參數,至於是否還有其他的作用就不清楚了。每個input是需要和每一個kernel都進行連接的,但是由於分組的原因其只是與部分的kernel進行連接的
如: 我們根據圖像的通道來分組,那麼第i個輸出分組只能與第i個輸入分組進行連接。 -
pool
池化方法,默認爲MAX。目前可用的方法有 MAX, AVE, 或 STOCHASTIC -
dropout_ratio
丟棄數據的概率