Caffe卷積神經網絡solver及其配置詳解

引言

solver算是caffe的核心的核心,它協調著整個模型的運作。caffe程序運行必帶的一個參數就是solver配置文件。運行代碼一般為

# caffe train --solver=*_slover.prototxt

在Deep Learning中,往往loss function是非凸的,沒有解析解,我們需要通過優化方法來求解。solver的主要作用就是交替調用前向(forward)算法和後向(backward)算法來更新參數,從而最小化loss,實際上就是一種迭代的優化算法。

到目前的版本,caffe提供瞭六種優化算法來求解最優參數,在solver配置文件中,通過設置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.設計好需要優化的對象,以及用於學習的訓練網絡和用於評估的測試網絡。(通過調用另外一個配置文件prototxt來進行)
  • 2.通過forward和backward迭代的進行優化來跟新參數。
  • 3.定期的評價測試網絡。 (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做瞭這幾步工作:

  • 1、調用forward算法來計算最終的輸出值,以及對應的loss
  • 2、調用backward算法來計算每層的梯度
  • 3、根據選用的slover方法,利用梯度進行參數更新
  • 4、記錄並保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,我們對每一行進行詳細解譯:

net: "examples/mnist/lenet_train_test.prototxt"

設置深度網絡模型。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)。註意的是: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。

訓練測試模型

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數據中測試樣本總數為10000,一次性執行全部數據效率很低,因此我們將測試數據分成幾個批次來執行,每個批次的數量就是batch_size。假設我們設置batch_size為100,則需要迭代100次才能將10000個數據全部執行完。因此test_iter設置為100。執行完一次全部數據,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,用於學習率的設置。隻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用於設置基礎學習率,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來設置。

lr_policy可以設置為下面這些值,相應的學習率的計算為:

  • – fixed:保持base_lr不變.
  • – step: 如果設置為step,則還需要設置一個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: 如果設置為inv,還需要設置一個power, 返回base_lr * (1 + gamma * iter) ^ (- power)
  • – multistep:如果設置為multistep,則還需要設置一個stepvalue。這個參數和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

參數

接下來的參數:

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

優化算法選擇。這一行可以省掉,因為默認值就是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,防止過擬合的一個參數。

display: 100

每訓練100次,在屏幕上顯示一次。如果設置為0,則不顯示。

max_iter: 20000

最大迭代次數。這個數設置太小,會導致沒有收斂,精確度很低。設置太大,會導致震蕩,浪費時間。

snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"

快照。將訓練出來的model和solver狀態進行保存,snapshot用於設置訓練多少次後進行保存,默認為0,不保存。snapshot_prefix設置保存路徑。

還可以設置snapshot_diff,是否保存梯度值,默認為false,不保存。

也可以設置snapshot_format,保存的類型。有兩種選擇:HDF5 和BINARYPROTO ,默認為BINARYPROTO

solver_mode: CPU

設置運行模式。默認為GPU,如果你沒有GPU,則需要改成CPU,否則會出錯。

註意:以上的所有參數都是可選參數,都有默認值。根據solver方法(type)的不同,還有一些其它的參數,在此不一一列舉。

以上就是Caffe卷積神經網絡solver及其配置詳解的詳細內容,更多關於Caffe solver配置的資料請關註WalkonNet其它相關文章!

推薦閱讀: