什么是Caffe?

参考博客 Errors_In_Life

1. Caffe,全称Convolutional Architecture for Fast Feature Embedding,中文名：卷积神经网络框架
2. 基本概念

• Blobs: Caffe使用blobs结构来存储，交换和处理网络中正向和反向迭代时的数据和导数信息，有统一的接口类型
• Layers: layer是Caffe模型和计算的基本单元
• Nets: Net是一系列 layers 和其连接的集合
• Forward and Backward: Caffe得两条计算生命线，Forward产生loss和输出结果；BackWard 产生反向梯度
• Loss：计算真实值和预测值之间的误差，指导下一步工作，由loss定义待学习的任务
• Solver: solver协调模型的优化
• Layer Catalogue: 学习Caffe中构建先进模型所需的各种层的功能
• Interface：Caffe的命令行、python和matlab版接口
• 总体印象：Blob包含在Layer里包含在Net里，Solver时Net的求解

3. solver.prototxt

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

• net: "examples/mnist/lenet_train_test.prototxt"
  设置深度网络模型，每个模型就是一个net,需要在一个专门的配置文件中对net进行配置 文件的路径从caffe得根目录开始,也可以用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"
  

• test_iter:100: 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，因此我们需要将数据分为几个批次来执行，每个批次的数量就是batch_size。设batch_size为100，则需要迭代100次才能将10000个数据全部执行完。因此设置test_iter为100。执行完一次全部数据，则称之为一个epoch
• test_interval:500: 测试间隔，即每训练500次，才进行一次测试

• base_lr: 0.01
  lr_policy: "inv"
  gamma: 0.0001
  power: 0.75
  

  学习率的设置，base_lr用来设置基础学习率，在迭代的过程中，可以对基础学习率进行调整，调整的策略由lr_policy来设置
  • 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和gamma, 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))))
• momentum:0.9: 上次梯度的更新权重
• type: 优化算法选择，默认为SGD，总共有6种方法供选
  AdaDelta (type: "AdaDelta"),
  Adaptive Gradient (type: "AdaGrad"),
  Adam (type: "Adam"),
  Nesterov’s Accelerated Gradient (type: "Nesterov") and
  RMSprop (type: "RMSProp")
• weight_decay:0.0005: 权重衰减项，用于防止过拟合一个参数
• display: 100: 每训练100次在屏幕上显示一次，若为0则不显示
• 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。
• snapshot:5000: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: "examples/mnist/lenet": 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
• solver_mode: GPU: 设置运行模式，默认为GPU

4. 参数含义：
   iter_size:iter_size=accum_batch_size/batch_size这个参数乘上你的train prototxt中的batch size是你实际使用的batch size。 相当于读取batchsize*itersize个图像才做一下gradient decent。 这个参数可以规避由于gpu不足而导致的batchsize的限制 因为你可以用多个iteration做到很大的batch 即使单次batch有限