caffe在訓練的時候，需要一些參數設置，我們一般將這些參數設置在一個叫solver.prototxt的文件裏面

有一些參數需要計算的，也不是亂設置。

假設我們有50000個訓練樣本，batch_size為64，即每批次處理64個樣本，那麽需要叠代50000/64=782次才處理完一次全部的樣本。我們把處理完一次所有的樣本，稱之為一代，即epoch。所以，這裏的test_interval設置為782，即處理完一次所有的訓練數據後，才去進行測試。如果我們想訓練100代，則需要設置max_iter為78200.

同理，如果有10000個測試樣本，batch_size設為32，那麽需要叠代10000/32=313次才完整地測試完一次，所以設置test_iter為313.

學習率變化規律我們設置為隨著叠代次數的增加，慢慢變低。總共叠代78200次，我們將變化lr_rate三次，所以stepsize設置為78200/3=26067，即每叠代26067次，我們就降低一次學習率。

下面是生成solver文件的python代碼，比較簡單：

# -*- coding: utf-8 -*-
"""
Created on Sun Jul 17 18:20:57 2016

@author: root
"""
path=‘/home/xxx/data/‘
solver_file=path+‘solver.prototxt‘     #solver文件保存位置

sp={}
sp[‘train_net‘]=‘“’+path+‘train.prototxt”‘  # 訓練配置文件
sp[‘test_net‘]=‘“’+path+‘val.prototxt”‘     # 測試配置文件
sp[‘test_iter‘]=‘313‘                  # 測試叠代次數
sp[‘test_interval‘]=‘782‘              # 測試間隔
sp[‘base_lr‘]=‘0.001‘                  # 基礎學習率
sp[‘display‘]=‘782‘                    # 屏幕日誌顯示間隔
sp[‘max_iter‘]=‘78200‘                 # 最大叠代次數
sp[‘lr_policy‘]=‘“step”‘                 # 學習率變化規律
sp[‘gamma‘]=‘0.1‘                      # 學習率變化指數
sp[‘momentum‘]=‘0.9‘                   # 動量
sp[‘weight_decay‘]=‘0.0005‘            # 權值衰減
sp[‘stepsize‘]=‘26067‘                 # 學習率變化頻率
sp[‘snapshot‘]=‘7820‘                   # 保存model間隔
sp[‘snapshot_prefix‘]=‘"snapshot"’       # 保存的model前綴
sp[‘solver_mode‘]=‘GPU‘                # 是否使用gpu
sp[‘solver_type‘]=‘SGD‘                # 優化算法

def write_solver():
    #寫入文件
    with open(solver_file, ‘w‘) as f:
        for key, value in sorted(sp.items()):
            if not(type(value) is str):
                raise TypeError(‘All solver parameters must be strings‘)
            f.write(‘%s: %s\n‘ % (key, value))
if __name__ == ‘__main__‘:
    write_solver()
 

執行上面的文件，我們就會得到一個solver.prototxt文件，有了這個文件，我們下一步就可以進行訓練了。

caffe的python接口學習（2）生成solver文件