[caffe的python接口学习三]:生成solver文件
2017-09-24 16:25
423 查看
作者:JackGao16 CSDN
邮箱:gshuai16@mail.ustc.edu.cn
caffe在训练和测试的时候,不但需要对网络中的参数进行设置,同时也要对一些超参数进行设置,这些超参数和网络的本身无关,和数据集以及相应的计算资源存在关系。而我们就通过solver文件、来设置这些超参数。
这里的参数并非随意的设置,具体的设置要根据参数的含义和具体的算法和计算资源来决定。
具体的含义待后续整理完进行补充。
说明:
上面的代码会在目录位置:/home/gaoshuai/caffe/examples/mnist/处生成一个solver.prototxt的文件。
当然,由于代码的书写方式不同,下面还有一种方式同样达到一样的效果:
可以参考链接:dnney的专栏博客:caffe的python接口学习(2)生成solver文件
邮箱:gshuai16@mail.ustc.edu.cn
caffe在训练和测试的时候,不但需要对网络中的参数进行设置,同时也要对一些超参数进行设置,这些超参数和网络的本身无关,和数据集以及相应的计算资源存在关系。而我们就通过solver文件、来设置这些超参数。
通常我们见到的solver.prototxt文件:
base_lr: 0.001 display: 782 gamma: 0.1 lr_policy: “step” max_iter: 78200 momentum: 0.9 snapshot: 7820 snapshot_prefix: “snapshot” solver_mode: GPU solver_type: SGD stepsize: 26067 test_interval: 782 test_iter: 313 test_net: “/home/xxx/data/val.prototxt” train_net: “/home/xxx/data/proto/train.prototxt” weight_decay: 0.0005
这里的参数并非随意的设置,具体的设置要根据参数的含义和具体的算法和计算资源来决定。
具体的含义待后续整理完进行补充。
通过python生成solver文件
可以通过以下的代码实现:# -*- coding: utf-8 -*- """ Created on Sun Jul 17 18:20:57 2016 @author: root """ path='/home/gaoshuai/caffe/examples/mnist/' solver_file=path+'solver.prototxt' #solver文件保存位置 sp={} sp['train_net']=‘“’+path+'train.prototxt”' # 训练配置文件 sp['test_net']=‘“’+path+'val.prototxt”' # 测试配置文件 sp['test_iter']='313' # 测试迭代次数 sp['test_interval']='782' # 测试间隔 sp['base_lr']='0.001' # 基础学习率 sp['display']='782' # 屏幕日志显示间隔 sp['max_iter']='78200' # 最大迭代次数 sp['lr_policy']='“step”' # 学习率变化规律 sp['gamma']='0.1' # 学习率变化指数 sp['momentum']='0.9' # 动量 sp['weight_decay']='0.0005' # 权值衰减 sp['stepsize']='26067' # 学习率变化频率 sp['snapshot']='7820' # 保存model间隔 sp['snapshot_prefix']=‘"snapshot"’ # 保存的model前缀 sp['solver_mode']='GPU' # 是否使用gpu sp['solver_type']='SGD' # 优化算法 def write_solver(): #写入文件 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()
说明:
上面的代码会在目录位置:/home/gaoshuai/caffe/examples/mnist/处生成一个solver.prototxt的文件。
当然,由于代码的书写方式不同,下面还有一种方式同样达到一样的效果:
# -*- coding: utf-8 -*- from caffe.proto import caffe_pb2 s = caffe_pb2.SolverParameter() path='/home/gaoshuai/caffe/examples/mnist/' solver_file=path+'solver1.prototxt' s.train_net = path+'train.prototxt' s.test_net.append(path+'val.prototxt') s.test_interval = 782 s.test_iter.append(313) s.max_iter = 78200 s.base_lr = 0.001 s.momentum = 0.9 s.weight_decay = 5e-4 s.lr_policy = 'step' s.stepsize=26067 s.gamma = 0.1 s.display = 782 s.snapshot = 7820 s.snapshot_prefix = 'shapshot' s.type = “SGD” s.solver_mode = caffe_pb2.SolverParameter.GPU with open(solver_file, 'w') as f: f.write(str(s))
可以参考链接:dnney的专栏博客:caffe的python接口学习(2)生成solver文件
相关文章推荐
- caffe的python接口学习(2):生成solver文件
- caffe的python接口学习(2):生成solver文件
- caffe的python接口学习(2):生成solver文件
- caffe的python接口学习(2):生成solver文件
- caffe的python接口学习(2):生成solver文件
- Caffe——python接口学习(2):生成solver文件
- caffe for windows的python接口学习(5):生成solver文件
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(1):生成配置文件
- Caffe——python接口学习:生成deploy文件
- caffe的python接口学习(5):生成deploy文件
- caffe的python接口学习(5):生成deploy文件
- Caffe——python接口学习(1):生成配置文件
- [caffe的python接口学习二]:生成配置文件 - *.prototxt
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(5):生成deploy文件
- caffe的python接口学习(5):生成deploy文件