原文地址：http://blog.csdn.net/cyh_24/article/details/51537709

solver.prototxt

net: "models/bvlc_alexnet/train_val.prototxt" 
test_iter: 1000       # 
test_interval: 1000   # 
base_lr: 0.01         # 開始的學習率
lr_policy: "step"     # 學習率的drop是以gamma在每一次迭代中
gamma: 0.1
stepsize: 100000      # 每stepsize的迭代降低學習率：乘以gamma
display: 20           # 沒display次列印顯示loss
 

max_iter: 450000      # train 最大迭代max_iter 
momentum: 0.9         #
weight_decay: 0.0005  #
snapshot: 10000       # 沒迭代snapshot次，儲存一次快照
snapshot_prefix:   "models/bvlc_reference_caffenet/caffenet_train"
solver_mode: GPU      # 使用的模式是GPU 

• test_iter 
  在測試的時候，需要迭代的次數，即test_iter* batchsize（測試集的）=測試集的大小，測試集的 batchsize可以在prototx檔案裡設定。

• test_interval 
  訓練的時候，每迭代test_interval次就進行一次測試。

• momentum 
  靈感來自於牛頓第一定律，基本思路是為尋優加入了“慣性”的影響，這樣一來，當誤差曲面中存在平坦區的時候，SGD可以更快的速度學習。 

  wi←m∗wi−η∂E∂wi

train_val.prototxt

layer { # 資料層
    name: "data"
    type: "Data"
    top: "data"
    top: "label"
    include {
        phase: TRAIN # 表明這是在訓練階段才包括進去
 

    }
    transform_param { # 對資料進行預處理
        mirror: true # 是否做映象
        crop_size: 227
        # 減去均值檔案
        mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
    }
    data_param { # 設定資料的來源
        source: "examples/imagenet/ilsvrc12_train_lmdb"
        batch_size: 256
        backend: LMDB
    }
}

layer {
    name: "data"
    type: "Data"
    top: "data"
    top: "label"
    include {
        phase: TEST # 測試階段
    }
    transform_param {
        mirror: false # 是否做映象
        crop_size: 227
        # 減去均值檔案
        mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
    }
    data_param {
        source: "examples/imagenet/ilsvrc12_val_lmdb"
        batch_size: 50
        backend: LMDB
    }
}

• lr_mult 
  學習率，但是最終的學習率需要乘以 solver.prototxt 配置檔案中的 base_lr .

  如果有兩個 lr_mult, 則第一個表示 weight 的學習率，第二個表示 bias 的學習率 
  一般 bias 的學習率是 weight 學習率的2倍’

• decay_mult 
  權值衰減，為了避免模型的over-fitting，需要對cost function加入規範項。 

  wi←wi−η∂E∂wi−ηλwi

• num_output 
  卷積核（filter）的個數

• kernel_size 
  卷積核的大小。

  如果卷積核的長和寬不等，需要用 kernel_h 和 kernel_w 分別設定

• stride 
  卷積核的步長，預設為1。也可以用stride_h和stride_w來設定。

• pad 
  擴充邊緣，預設為0，不擴充。

  擴充的時候是左右、上下對稱的，比如卷積核的大小為5*5，那麼pad設定為2，則四個邊緣都擴充2個畫素，即寬度和高度都擴充了4個畫素，這樣卷積運算之後的特徵圖就不會變小。 
  也可以通過pad_h和pad_w來分別設定。

• weight_filler 
  權值初始化。 預設為“constant”,值全為0. 
  很多時候我們用”xavier”演算法來進行初始化，也可以設定為”gaussian”

weight_filler {
    type: "gaussian"
    std: 0.01
}

• bias_filler

偏置項的初始化。一般設定為”constant”, 值全為0。

bias_filler {
    type: "constant"
    value: 0
}

• bias_term

  是否開啟偏置項，預設為true, 開啟

• group 
  分組，預設為1組。如果大於1，我們限制卷積的連線操作在一個子集內。 
  卷積分組可以減少網路的引數，至於是否還有其他的作用就不清楚了。

  每個input是需要和每一個kernel都進行連線的，但是由於分組的原因其只是與部分的kernel進行連線的 
  如: 我們根據影象的通道來分組，那麼第i個輸出分組只能與第i個輸入分組進行連線。

• pool 
  池化方法，預設為MAX。目前可用的方法有 MAX, AVE, 或 STOCHASTIC

• dropout_ratio 
  丟棄資料的概率