#网络模型描述文件 #如果训练模型和测试模型不一样的话,也可以用train_net和test_net来对训练模型和测试模型分别设定: #train_net: "xxxxxxxxxx" #test_net: "xxxxxxxxxx" net: "E:/Caffe-windows/caffe-windows/examples/mnist/lenet_train_test.prototxt" #这个参数要跟test_layer结合起来考虑,在test_layer中一个batch是100,而总共的测试图片是10000张 #所以这个参数就是10000/100=100。说明我们需要测试100次。 test_iter: 100 #每训练500次进行一次测试 test_interval: 500 #学习率 base_lr: 0.01 #动力。因为Caffe的SGD其实是Momentum法,所以有这个参数。 momentum: 0.9 type:SGD #type:SGD #优化算法的选择。这一行可以省略,因为默认值就是SGD,Caffe中一共有6中优化算法可以选择 #1. Stochastic Gradient Descent (type: "SGD"), 在Caffe中SGD其实应该是Momentum,并不是标准的随机梯度下降法。 #2. AdaDelta (type: "AdaDelta"), #3. Adaptive Gradient (type: "AdaGrad"), #4. Adam (type: "Adam"), #5. Nesterov’s Accelerated Gradient (type: "Nesterov") #6. RMSprop (type: "RMSProp") #权重衰减项,其实也就是正则化项。作用是防止过拟合 weight_decay: 0.0005 #学习率调整策略 #如果设置为inv,还需要设置一个power, 返回base_lr * (1 + gamma * iter) ^ (- power),其中iter表示当前的迭代次数 lr_policy: "inv" gamma: 0.0001 power: 0.75 #每训练100次屏幕上显示一次,如果设置为0则不显示 display: 100 #最大迭代次数 max_iter: 2000 #快照。可以把训练的model和solver的状态进行保存。每迭代5000次保存一次,如果设置为0则不保存 snapshot: 5000 snapshot_prefix: "E:/Caffe-windows/caffe-windows/examples/mnist/models" #选择运行模式 solver_mode: CPU |