本文主要介绍：在进行网络训练和权值微调过程中，需要对solver中的参数进行设置，本文主要介绍solver中的参数设置，以及如何利用自己的数据集，对权值进行微调。
1. solver参数设置
[cpp] view plain copy net: "train_val.prototxt" //深度学习模型的网络结构文件 test_iter: 1000 //1000指的是测试的批次，测试样本较多时，一次性执行全部数据，效率较低，因此分几个批次进行执行， //如果每个批次数量设为batch_size,则有以下关系：test_iter = 测试样本总数/batch_size test_interval: 1000 //测试间隔，即每训练1000次，进行一次测试 base_lr: 0.01 // 基础学习速率（初始学习率），迭代过程中可以对基础学习速率进行调整，调整策略通过lr_policy来设置 lr_policy: "step" // lr_policy设置参数： //- fixed: 保持base_lr不变. //- step: 如果设置为step,则还需要设置一个stepsize, 返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示当前的迭代次数 //- exp: 返回base_lr * gamma ^ iter， iter为当前迭代次数 //- inv: 如果设置为inv,还需要设置一个power, 返回base_lr * (1 + gamma * iter) ^ (- power) //- multistep: 如果设置为multistep,则还需要设置一个stepvalue。这个参数和step很相似，step是均匀等间隔变化，而multistep则是根据 stepvalue值变化 //- 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)))) gamma: 0.1 //学习率变化的比率 stepsize: 3000 //每迭代3000次，调整一次学习率 display: 20 //每20次迭代，显示一次 max_iter: 12000 //最大迭代次数。这个数设置太小，会导致没有收敛，精确度很低。设置太大，会导致震荡，浪费时间。 momentum: 0.9 //学习的参数，不用变 weight_decay: 0.0005 //权重衰减项，防止过拟合的一个参数 snapshot: 5000 //每迭代5000次，保存一次训练权值 snapshot_prefix: "caffenet_train" //设置保存训练权值的路径 solver_mode: GPU //选择使用CPU还是GPU运行 注：详细的介绍见 http://blog.csdn.net/langb2014/article/details/504577742. 权值微调
2.1 数据转化及网络设置
该过程参考 http://blog.csdn.net/hong__fang/article/details/52425105 中的1到3.2；
2.2 参数微调
（1）创建 finetune.txt ，添加内容
[cpp] view plain copy SET GLOG_logtostderr=1 ..\caffe-windows-master\bin\caffe.exe train --solver=.\model\solver.prototxt --weights=.\model\bvlc_reference_caffenet.caffemodel pause 第二行有三个参数，分别为： [cpp] view plain copy ..\caffe-windows-master\bin\caffe.exe //安装配置时生成的caffe.exe路径 train //表示训练过程 --solver=.\model\solver.prototxt //参数设置文件 --weights=.\model\bvlc_reference_caffenet.caffemodel //现有权值文件，在此权值基础上进行权值微调 注：<1>以上路径均为相对路径；
<2>路径中不能含有中文。
（2）将finetune.txt 改名为finetune.bat，双击运行。
