caffe 中的一些参数介绍

转自：http://blog.csdn.net/cyh_24/article/details/51537709

solver.prototxt

net: "models/bvlc_alexnet/train_val.prototxt" 
test_iter: 1000       # 
test_interval: 1000 # base_lr: 0.01 # 开始的学习率 lr_policy: "step" # 学习率的drop是以gamma在每一次迭代中 gamma: 0.1 stepsize: 100000 # 每stepsize的迭代降低学习率：乘以gamma display: 20 # 没display次打印显示loss max_iter: 450000 # train 最大迭代max_iter momentum: 0.9 # weight_decay: 0.0005 # snapshot: 10000 # 没迭代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

test_iter
在测试的时候，需要迭代的次数，即test_iter* batchsize（测试集的）=测试集的大小，测试集的 batchsize可以在prototx文件里设置。
test_interval
训练的时候，每迭代test_interval次就进行一次测试。
momentum
灵感来自于牛顿第一定律，基本思路是为寻优加入了“惯性”的影响，这样一来，当误差曲面中存在平坦区的时候，SGD可以更快的速度学习。
$w i \leftarrow m * w i - η \partial E \partial w i$

train_val.prototxt

layer { # 数据层name: "data"type: "Data"top: "data" top: "label" include { phase: TRAIN # 表明这是在训练阶段才包括进去 } transform_param { # 对数据进行预处理 mirror: true # 是否做镜像 crop_size: 227 # 减去均值文件 mean_file: "data/ilsvrc12/imagenet_mean.binaryproto" } data_param { # 设定数据的来源 source: "examples/imagenet/ilsvrc12_train_lmdb" batch_size: 256 backend: LMDB } }

layer {name: "data" type: "Data" top: "data" top: "label" include { phase: TEST # 测试阶段 } transform_param { mirror: false # 是否做镜像 crop_size: 227 # 减去均值文件 mean_file: "data/ilsvrc12/imagenet_mean.binaryproto" } data_param { source: "examples/imagenet/ilsvrc12_val_lmdb" batch_size: 50 backend: LMDB } }

lr_mult
学习率，但是最终的学习率需要乘以 solver.prototxt 配置文件中的 base_lr .

如果有两个 lr_mult, 则第一个表示 weight 的学习率，第二个表示 bias 的学习率
一般 bias 的学习率是 weight 学习率的2倍’
decay_mult
权值衰减，为了避免模型的over-fitting，需要对cost function加入规范项。
$w i \leftarrow w i - η \partial E \partial w i - η λ w i$
num_output
卷积核（filter）的个数
kernel_size
卷积核的大小。

如果卷积核的长和宽不等，需要用 kernel_h 和 kernel_w 分别设定
stride
卷积核的步长，默认为1。也可以用stride_h和stride_w来设置。
pad
扩充边缘，默认为0，不扩充。

扩充的时候是左右、上下对称的，比如卷积核的大小为5*5，那么pad设置为2，则四个边缘都扩充2个像素，即宽度和高度都扩充了4个像素，这样卷积运算之后的特征图就不会变小。
也可以通过pad_h和pad_w来分别设定。
weight_filler
权值初始化。默认为“constant”,值全为0.
很多时候我们用”xavier”算法来进行初始化，也可以设置为”gaussian”

weight_filler {type: "gaussian" std: 0.01 }

bias_filler

偏置项的初始化。一般设置为”constant”, 值全为0。

bias_filler {type: "constant" value: 0 }

bias_term

是否开启偏置项，默认为true, 开启
group
分组，默认为1组。如果大于1，我们限制卷积的连接操作在一个子集内。
卷积分组可以减少网络的参数，至于是否还有其他的作用就不清楚了。

每个input是需要和每一个kernel都进行连接的，但是由于分组的原因其只是与部分的kernel进行连接的
如: 我们根据图像的通道来分组，那么第i个输出分组只能与第i个输入分组进行连接。
pool
池化方法，默认为MAX。目前可用的方法有 MAX, AVE, 或 STOCHASTIC
dropout_ratio
丢弃数据的概率