Caffe学习笔记(五)：使用pycaffe生成solver.prototxt文件并进行训练

转载请注明作者和出处：http://blog.csdn.net/c406495762
Python版本： Python2.7
运行平台： Ubuntu14.04

    上几篇笔记记录了如何将图片数据转换成db(leveldb/lmdb)文件，计算图片数据的均值，train.prototxt和test.prototxt文件的编写。本篇笔记主要记录如何生成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 definition
net: "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: 0.001
momentum: 0.9
weight_decay: 0.004
# The learning rate policy
lr_policy: "fixed"
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 4000
# snapshot intermediate results
snapshot: 4000
snapshot_format: HDF5
snapshot_prefix: "examples/cifar10/cifar10_quick"
# solver mode: CPU or GPU
solver_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BINARYPROTO
    sovler_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-0
caffe.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。