# -*- coding:utf-8 -*- # 生成solver文件 from caffe.proto import caffe_pb2 def solver_file(model_root, model_name): s = caffe_pb2.SolverParameter() # 声明solver结构 s.train_net = model_root+'train.prototxt' # 训练网络结构配置文件 s.test_net.append(model_root+'test.prototxt') # 测试时网络结构配置文件，测试网络可有多个 # 每训练迭代test_interval次进行一次测试。 s.test_interval = 500 # 每次测试时的批量数，测试里网络可有多个 s.test_iter.append(100) # 最大训练迭代次数 s.max_iter = 10000 # 基础学习率 s.base_lr = 0.01 # 动量，记忆因子 s.momentum = 0.9 # 权重衰减值，遗忘因子 s.weight_decay = 5e-4 # 学习率变化策略。可选参数：fixed、step、exp、inv、multistep # fixed: 保持base_lr不变； # step: 学习率变化规律base_lr * gamma ^ (floor(iter / stepsize))，其中iter表示当前的迭代次数； # exp: 学习率变化规律base_lr * gamma ^ iter； # inv: 还需要设置一个power，学习率变化规律base_lr * (1 + gamma * iter) ^ (- power)； # multistep: 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))))。 s.lr_policy = 'inv' s.gamma = 0.0001 s.power = 0.75 s.display = 100 # 每迭代display次显示结果 s.snapshot = 5000 # 保存临时模型的迭代数 s.snapshot_prefix = model_root+model_name+'shapshot' # 模型前缀，就是训练好生成model的名字 s.type = 'SGD' # 训练方法（各类梯度下降法），可选参数：SGD，AdaDelta，AdaGrad，Adam，Nesterov，RMSProp s.solver_mode = caffe_pb2.SolverParameter.GPU # 训练及测试模型，GPU或CPU solver_file=model_root+'solver.prototxt' # 要保存的solver文件名 with open(solver_file, 'w') as f: f.write(str(s)) caffe_root = '../../' model_name = 'LeNet5_Mnist_' # caffe_root = 'E:/Code/Github/windows_caffe/' model_root = caffe_root + 'models/mnist/' solver_file(model_root, model_name)