13518219792
这篇文章将为大家详细讲解有关如何使用pycaffe生成solver.prototxt文件并进行训练，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。
成都创新互联从2013年成立，是专业互联网技术服务公司，拥有项目网站制作、成都网站建设网站策划，项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命，1280元抚顺县做网站,已为上家服务,为抚顺县各地企业和个人服务,联系电话:028-86922220
下面主要记录如何生成sovler文件，solver文件是训练的时候，需要用到的prototxt文件，它指明了train.prototxt和test.prototxt或train_test.prototxt。solver就是用来是loss最小化的优化方法。
一、solver.prototxt参数说明
依然是以cifar10_quick_solver.prototxt为例，内容如下：
# reduce the learning rate after 8 epochs (4000 iters) by a factor of 10# The train/test net protocol buffer definitionnet: "examples/cifar10/cifar10_quick_train_test.prototxt"# test_iter specifies how many forward passes the test should carry out.# In the case of MNIST, we have test batch size 100 and 100 test iterations,# covering the full 10,000 testing images.test_iter: 100# Carry out testing every 500 training iterations.test_interval: 500# The base learning rate, momentum and the weight decay of the network.base_lr: 0.001momentum: 0.9weight_decay: 0.004# The learning rate policylr_policy: "fixed"# Display every 100 iterationsdisplay: 100# The maximum number of iterationsmax_iter: 4000# snapshot intermediate resultssnapshot: 4000snapshot_format: HDF5snapshot_prefix: "examples/cifar10/cifar10_quick"# solver mode: CPU or GPUsolver_mode: GPU
这些参数，都是有根据进行设置的，从上到下依次进行说明：
net：指定配置文件，cifar10_quick_solver.prototx文件中指定的prototxt文件为examples/cifar10/cifar10_quick_train_test.prototxt，可以使用train_net和test_net分别指定。
test_iter：测试迭代数。例如：有10000个测试样本，batch_size设为32，那么就需要迭代 10000/32=313次才完整地测试完一次，所以设置test_iter为313。
test_interval：每训练迭代test_interval次进行一次测试，例如50000个训练样本，batch_size为64，那么需要50000/64=782次才处理完一次全部训练样本，记作1 epoch。所以test_interval设置为782，即处理完一次所有的训练数据后，才去进行测试。
base_lr：基础学习率，学习策略使用的参数。
momentum：动量。
weight_decay：权重衰减。
lr_policy：学习策略。可选参数：fixed、step、exp、inv、multistep。
lr_prolicy参数说明：
fixed: 保持base_lr不变；
step: step: 如果设置为step，则需要设置一个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为当前的迭代次数；
inv: 如何设置为inv，还需要设置一个power，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相似，step是均匀等间隔变化，而multistep则是根据stepvalue值变化；
stepvalue参数说明：
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))))。
display：每迭代display次显示结果。
max_iter：最大迭代数，如果想训练100 epoch，则需要设置max_iter为100*test_intervel=78200。
snapshot：保存临时模型的迭代数。
snapshot_format：临时模型的保存格式。有两种选择：HDF5 和BINARYPROTO ，默认为BINARYPROTO
snapshot_prefix：模型前缀，就是训练好生成model的名字。不加前缀为iter_迭代数.caffemodel，加之后为lenet_iter_迭代次数.caffemodel。
solver_mode：优化模式。可以使用GPU或者CPU。
二、使用python生成solver.prototxt文件
以分析的cifar10_quick_solver.prototxt文件为例，使用python程序，生成这个文件。
1.代码如下：
# -*- coding: UTF-8 -*-import caffe #导入caffe包def write_sovler():my_project_root = "/home/Jack-Cui/caffe-master/my-caffe-project/" #my-caffe-project目录sovler_string = caffe.proto.caffe_pb2.SolverParameter() #sovler存储solver_file = my_project_root + 'solver.prototxt' #sovler文件保存位置sovler_string.train_net = my_project_root + 'train.prototxt' #train.prototxt位置指定sovler_string.test_net.append(my_project_root + 'test.prototxt') #test.prototxt位置指定sovler_string.test_iter.append(100) #测试迭代次数sovler_string.test_interval = 500 #每训练迭代test_interval次进行一次测试sovler_string.base_lr = 0.001 #基础学习率 sovler_string.momentum = 0.9 #动量sovler_string.weight_decay = 0.004 #权重衰减sovler_string.lr_policy = 'fixed' #学习策略 sovler_string.display = 100 #每迭代display次显示结果sovler_string.max_iter = 4000 #最大迭代数sovler_string.snapshot = 4000 #保存临时模型的迭代数sovler_string.snapshot_format = 0 #临时模型的保存格式,0代表HDF5,1代表BINARYPROTOsovler_string.snapshot_prefix = 'examples/cifar10/cifar10_quick' #模型前缀sovler_string.solver_mode = caffe.proto.caffe_pb2.SolverParameter.GPU #优化模式with open(solver_file, 'w') as f: f.write(str(sovler_string)) if __name__ == '__main__': write_sovler()
2.运行结果：
三、训练模型
从第一篇笔记至此，我们已经了解到如何将jpg图片转换成Caffe使用的db(levelbd/lmdb)文件，如何计算数据均值，如何使用python生成solver.prototxt、train.prototxt、test.prototxt文件。接下来，就可以进行训练的最后一步，使用caffe提供的python接口训练生成模型。如果不进行可视化，只想得到一个最终的训练model，可以使用如下代码：
import caffe my_project_root = "/home/Jack-Cui/caffe-master/my-caffe-project/" #my-caffe-project目录solver_file = my_project_root + 'solver.prototxt' #sovler文件保存位置caffe.set_device(0) #选择GPU-0caffe.set_mode_gpu() solver = caffe.SGDSolver(solver_file) solver.solve()
现在，如何训练生成模型的简单步骤已经讲完。接下来，以mnist实例，整合所学内容，训练生成model，并使用生成的model进行预测。
关于如何使用pycaffe生成solver.prototxt文件并进行训练就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
