转自：denny的学习专栏 caffe在训练的时候，需要一些参数设置，我们一般将这些参数设置在一个叫做solver.prototxt的文件里面。
参数设置需要遵循一些计算。假如我们有50000个训练样本，batch_size设为64，那么需要迭代50000/64=782次才处理完一次全部的样本。我们把处理完一次所有的样本，称之为一代，即epoch。所以，这里的test_interval设置为782，即处理完一次所有的训练数据后，才去进行测试。如果我们想训练100代，则需要设置max_iter为78200。
学习率变化规律我们设置为随着迭代次数的增加，慢慢变低。总共迭代78200次，我们将变化Ir_rate三次，所以stepsize设置为78200/3=26067,即没迭代26067次，我们就降低一次学习率。
代码：
path='E:/CaffeDev/caffe-master/data/mypython1/' 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']='CPU' # 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()上面的文件使用了一种键值对的字典方式，写起来容易出错。我们也可以使用另一种比较简单的方法，没有引号，不太容易出错，如下：
from caffe.proto import caffe_pb2 s = caffe_pb2.SolverParameter() path='E:/CaffeDev/caffe-master/data/mypython1/' 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.CPU with open(solver_file, 'w') as f: f.write(str(s))