参考链接：
https://blog.csdn.net/u014381600/article/details/53946221
https://blog.csdn.net/u014381600/article/details/53946232
https://blog.csdn.net/u014381600/article/category/6664112/1

Caffe solver.prototxt 文件参数详解

在Deep Learning中，往往loss function是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forward)算法和后向（backward)算法来更新参数，从而最小化loss，实际上就是一种迭代的优化算法。到目前的版本，caffe提供了六种优化算法来求解最优参数，在solver配置文件中，通过设置type类型来选择。

• 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”)

1. solver流程

1. 设计好需要优化的对象，以及用于学习的训练网络和用于评估的测试网络。（通过调用另外一个配置文件prototxt来进行）
2. 通过forward和backward迭代的进行优化来更新参数。
3. 定期的评价测试网络。 （可设定多少次训练后，进行一次测试）
4. 在优化过程中显示模型和solver的状态

2. solver单步迭代所做工作

1. 调用forward算法来计算最终的输出值，以及对应的loss
2. 调用backward算法来计算每层的梯度
3. 根据选用的slover方法，利用梯度进行参数更新
4. 记录并保存每次迭代的学习率、快照，以及对应的状态。

3. solver.prototxt实例

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

4. solver.prototxt详细解读

1. net: "examples/mnist/lenet_train_test.prototxt"
   设置深度网络模型。每一个模型就是一个net，需要在一个专门的配置文件中对net进行配置，每个net由许多的layer所组成。每一个layer的具体配置方式可参考本系列文文章中的（2）-（5）。注意的是：文件的路径要从caffe的根目录开始，其它的所有配置都是这样。也可用 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"12
   

2. test_iter: 100
   这个要与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，因此我们将测试数据分成几个批次来执行，每个批次的数量就是batch_size。假设我们设置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test_iter设置为100。执行完一次全部数据，称之为一个epoch

3. test_interval: 500
   测试间隔。也就是每训练500次，才进行一次测试。

4. base_lr: 0.01 lr_policy: "inv" gamma: 0.0001 power: 0.75
   这四行可以放在一起理解，用于学习率的设置。只要是梯度下降法来求解优化，都会有一个学习率，也叫步长。 base_lr 用于设置基础学习率，在迭代的过程中，可以对基础学习率进行调整。怎么样进行调整，就是调整的策略，由lr_policy来设置。

5. momentum ：0.9
   上一次梯度更新的权重

6. type: SGD
   优化算法选择。这一行可以省掉，因为默认值就是SGD。总共有六种方法可选择，在本文的开头已介绍。

7. weight_decay: 0.0005
   权重衰减项，防止过拟合的一个参数。

8. display: 100
   每训练100次，在屏幕上显示一次。如果设置为0，则不显示。

9. 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。

10. snapshot: 5000 snapshot_prefix: "examples/mnist/lenet"
    快照。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。也可以设置snapshot_format，保存的类型。有两种选择：HDF5 和BINARYPROTO ，默认为BINARYPROTO

11. solver_mode: GPU
    设置运行模式。默认为GPU,如果你没有GPU,则需要改成CPU,否则会出错。

5. test_interval，test_iter，max_iter的区别：

(1) test_interval = 938 #60000/64，测试间隔参数：训练完一次所有的图片，进行一次测试

测试间隔就是完成一次完整的train需要的次数，=train_example/train_batch_size,假如有60000个train样本，bs设置为64，test_interval = 938=60000/64。同理假如有400个train样本，bs设置为8，test_interval = 50=400/8

(2) test_iter=100 #10000/100 测试迭代次数，需要迭代100次，才完成一次所有数据的测试，针对的是test数据集，同理假如有10000个test样本，bs设置为100，test_iter= 100=10000/100。同理假如有100个test样本，bs设置为10，test_iter= 10=100/10

(3) max_iter = 9380 #最大训练迭代次数，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。