我只是想找出如何使用Caffe。为此,我仅查看了示例文件夹中不同的.prototxt
文件。有一个选项我不理解:
# The learning rate policy
lr_policy: "inv"
可能的取值如下:
"fixed"
"inv"
"step"
"multistep"
"stepearly"
"poly"
能否有人解释一下这些选项?
我只是想找出如何使用Caffe。为此,我仅查看了示例文件夹中不同的.prototxt
文件。有一个选项我不理解:
# The learning rate policy
lr_policy: "inv"
可能的取值如下:
"fixed"
"inv"
"step"
"multistep"
"stepearly"
"poly"
能否有人解释一下这些选项?
这是一种常见的做法,随着优化/学习过程的进行,降低学习率(lr)。然而,如何根据迭代次数精确地降低学习率尚不清楚。
如果您使用DIGITS作为接口来使用Caffe,您将能够直观地看到不同选择对学习率的影响。
fixed: 学习率在整个学习过程中保持不变。
inv:学习速率随着 ~1/T
衰减
您可以在函数 SGDSolver<Dtype>::GetLearningRate
(solvers/sgd_solver.cpp 第 ~30 行)中精确查看学习率是如何计算的。
lr_policy
来交替减小和增加学习率。他的作品还提供了如何在Caffe中实现这个策略的建议。如果你查看 /caffe-master/src/caffe/proto/caffe.proto
文件(你可以在这里找到它 here),你会看到以下描述:
// The learning rate decay policy. The currently implemented learning rate
// policies are as follows:
// - fixed: always return base_lr.
// - step: return base_lr * gamma ^ (floor(iter / step))
// - exp: return base_lr * gamma ^ iter
// - inv: return base_lr * (1 + gamma * iter) ^ (- power)
// - multistep: similar to step but it allows non uniform steps defined by
// stepvalue
// - poly: the effective learning rate follows a polynomial decay, to be
// zero by the max_iter. return base_lr (1 - iter/max_iter) ^ (power)
// - sigmoid: the effective learning rate follows a sigmod decay
// return base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))
//
// where base_lr, max_iter, gamma, step, stepvalue and power are defined
// in the solver parameter protocol buffer, and iter is the current iteration.