欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

caffe的python接口生成solver文件詳解學(xué)習(xí)

 更新時(shí)間:2022年06月29日 10:33:52   作者:denny402  
這篇文章主要為大家介紹了caffe的python接口生成solver文件詳解學(xué)習(xí)示例,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪

solver.prototxt的文件參數(shù)設(shè)置

caffe在訓(xùn)練的時(shí)候,需要一些參數(shù)設(shè)置,我們一般將這些參數(shù)設(shè)置在一個(gè)叫solver.prototxt的文件里面,如下:

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

有一些參數(shù)需要計(jì)算的,也不是亂設(shè)置。

假設(shè)我們有50000個(gè)訓(xùn)練樣本,batch_size為64,即每批次處理64個(gè)樣本,那么需要迭代50000/64=782次才處理完一次全部的樣本。我們把處理完一次所有的樣本,稱之為一代,即epoch。所以,這里的test_interval設(shè)置為782,即處理完一次所有的訓(xùn)練數(shù)據(jù)后,才去進(jìn)行測(cè)試。如果我們想訓(xùn)練100代,則需要設(shè)置max_iter為78200.

同理,如果有10000個(gè)測(cè)試樣本,batch_size設(shè)為32,那么需要迭代10000/32=313次才完整地測(cè)試完一次,所以設(shè)置test_iter為313.

 學(xué)習(xí)率變化規(guī)律我們?cè)O(shè)置為隨著迭代次數(shù)的增加,慢慢變低??偣驳?8200次,我們將變化lr_rate三次,所以stepsize設(shè)置為78200/3=26067,即每迭代26067次,我們就降低一次學(xué)習(xí)率。 

生成solver文件

下面是生成solver文件的python代碼,比較簡(jiǎn)單:

# -*- coding: utf-8 -*-
"""
Created on Sun Jul 17 18:20:57 2016
@author: root
"""
path='/home/xxx/data/'
solver_file=path+'solver.prototxt'     #solver文件保存位置
sp={}
sp['train_net']=‘“'+path+'train.prototxt”'  # 訓(xùn)練配置文件
sp['test_net']=‘“'+path+'val.prototxt”'     # 測(cè)試配置文件
sp['test_iter']='313'                  # 測(cè)試迭代次數(shù)
sp['test_interval']='782'              # 測(cè)試間隔
sp['base_lr']='0.001'                  # 基礎(chǔ)學(xué)習(xí)率
sp['display']='782'                    # 屏幕日志顯示間隔
sp['max_iter']='78200'                 # 最大迭代次數(shù)
sp['lr_policy']='“step”'                 # 學(xué)習(xí)率變化規(guī)律
sp['gamma']='0.1'                      # 學(xué)習(xí)率變化指數(shù)
sp['momentum']='0.9'                   # 動(dòng)量
sp['weight_decay']='0.0005'            # 權(quán)值衰減
sp['stepsize']='26067'                 # 學(xué)習(xí)率變化頻率
sp['snapshot']='7820'                   # 保存model間隔
sp['snapshot_prefix']=‘"snapshot"'       # 保存的model前綴
sp['solver_mode']='GPU'                # 是否使用gpu
sp['solver_type']='SGD'                # 優(yōu)化算法
def write_solver():
    #寫入文件
    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()

 執(zhí)行上面的文件,我們就會(huì)得到一個(gè)solver.prototxt文件,有了這個(gè)文件,我們下一步就可以進(jìn)行訓(xùn)練了。

當(dāng)然,如果你覺得上面這種鍵值對(duì)的字典方式,寫起來容易出錯(cuò),我們也可以使用另外一種比較簡(jiǎn)便的方法,沒有引號(hào),不太容易出錯(cuò),如下:

簡(jiǎn)便的方法

# -*- coding: utf-8 -*-
from caffe.proto import caffe_pb2
s = caffe_pb2.SolverParameter()
path='/home/xxx/data/'
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))

訓(xùn)練模型(training)

 如果不進(jìn)行可視化,只想得到一個(gè)最終的訓(xùn)練model, 那么代碼非常簡(jiǎn)單,如下 :

import caffe
caffe.set_device(0)
caffe.set_mode_gpu()
solver = caffe.SGDSolver('/home/xxx/data/solver.prototxt')
solver.solve()

以上就是caffe的python接口生成solver文件詳解學(xué)習(xí)的詳細(xì)內(nèi)容,更多關(guān)于caffe python接口生成solver文件的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • 詳細(xì)解析Python當(dāng)中的數(shù)據(jù)類型和變量

    詳細(xì)解析Python當(dāng)中的數(shù)據(jù)類型和變量

    這篇文章主要介紹了Python當(dāng)中的數(shù)據(jù)類型和變量,是Python學(xué)習(xí)當(dāng)中的基礎(chǔ)知識(shí),需要的朋友可以參考下
    2015-04-04
  • Python基于回溯法子集樹模板解決野人與傳教士問題示例

    Python基于回溯法子集樹模板解決野人與傳教士問題示例

    這篇文章主要介紹了Python基于回溯法子集樹模板解決野人與傳教士問題,簡(jiǎn)單說明了野人與傳教士問題,并結(jié)合實(shí)例形式分析了Python使用回溯法子集樹模板解決野人與傳教士問題的步驟與相關(guān)操作技巧,需要的朋友可以參考下
    2017-09-09
  • python怎樣更加簡(jiǎn)潔的解決小明種蘋果

    python怎樣更加簡(jiǎn)潔的解決小明種蘋果

    這篇文章主要介紹了python怎樣更加簡(jiǎn)潔的解決小明種蘋果。想了解數(shù)據(jù)結(jié)構(gòu)和算法的同學(xué),可以參考下
    2021-04-04
  • Python利用代理ip實(shí)現(xiàn)自動(dòng)化爬蟲任務(wù)管理

    Python利用代理ip實(shí)現(xiàn)自動(dòng)化爬蟲任務(wù)管理

    本文主要介紹了Python利用代理ip實(shí)現(xiàn)自動(dòng)化爬蟲任務(wù)管理,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2023-06-06
  • python re庫的正則表達(dá)式入門學(xué)習(xí)教程

    python re庫的正則表達(dá)式入門學(xué)習(xí)教程

    這篇文章主要給大家介紹了關(guān)于python re庫的正則表達(dá)式的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者使用python具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-03-03
  • 詳解用python -m http.server搭一個(gè)簡(jiǎn)易的本地局域網(wǎng)

    詳解用python -m http.server搭一個(gè)簡(jiǎn)易的本地局域網(wǎng)

    這篇文章主要介紹了詳解用python -m http.server搭一個(gè)簡(jiǎn)易的本地局域網(wǎng),文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2020-09-09
  • Python實(shí)現(xiàn)屬性可修改的裝飾器方式

    Python實(shí)現(xiàn)屬性可修改的裝飾器方式

    這篇文章主要介紹了Python實(shí)現(xiàn)屬性可修改的裝飾器方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2024-02-02
  • Python利用邏輯回歸模型解決MNIST手寫數(shù)字識(shí)別問題詳解

    Python利用邏輯回歸模型解決MNIST手寫數(shù)字識(shí)別問題詳解

    這篇文章主要介紹了Python利用邏輯回歸模型解決MNIST手寫數(shù)字識(shí)別問題,結(jié)合實(shí)例形式詳細(xì)分析了Python MNIST手寫識(shí)別問題原理及邏輯回歸模型解決MNIST手寫識(shí)別問題相關(guān)操作技巧,需要的朋友可以參考下
    2020-01-01
  • python分分鐘繪制精美地圖海報(bào)

    python分分鐘繪制精美地圖海報(bào)

    基于Python中諸如matplotlib等功能豐富、自由度極高的繪圖庫,我們可以完成各種極富藝術(shù)感的可視化作品,關(guān)于這一點(diǎn)我在系列文章在模仿中精進(jìn)數(shù)據(jù)可視化中已經(jīng)帶大家學(xué)習(xí)過很多案例了
    2022-02-02
  • python+numpy+matplotalib實(shí)現(xiàn)梯度下降法

    python+numpy+matplotalib實(shí)現(xiàn)梯度下降法

    這篇文章主要為大家詳細(xì)介紹了python+numpy+matplotalib實(shí)現(xiàn)梯度下降法,文中示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2018-08-08

最新評(píng)論