solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为
# caffe train --solver=*_slover.prototxt
在Deep Learning中，往往loss function是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forward)算法和后向（backward)算法来更新参数，从而最小化loss，实际上就是一种迭代的优化算法。
到目前的版本，caffe提供了六种优化算法来求解最优参数，在solver配置文件中，通过设置type类型来选择。
1、Stochastic Gradient Descent (type: "SGD"),
2、AdaDelta (type: "AdaDelta"),
3、Adaptive Gradient (type: "AdaGrad"),
4、Adam (type: "Adam"),
5、Nesterov’s Accelerated Gradient (type: "Nesterov") and
6、RMSprop (type: "RMSProp")
Solver的流程：
1、设计好需要优化的对象，以及用于学习的训练网络和用于评估的测试网络。（通过调用另外一个配置文件prototxt来进行）
2、通过forward和backward迭代的进行优化来跟新参数。
3、定期的评价测试网络。 （可设定多少次训练后，进行一次测试）
4、在优化过程中显示模型和solver的状态
在每一次的迭代过程中，solver做了这几步工作：
1、调用forward算法来计算最终的输出值，以及对应的loss
2、调用backward算法来计算每层的梯度
3、根据选用的slover方法，利用梯度进行参数更新
4、记录并保存每次迭代的学习率、快照，以及对应的状态。
net: "examples/mnist/lenet_train_test.prototxt"
test_iter: 100
test_interval: 500
base_lr: 0.01
momentum: 0.9
type: SGD
weight_decay: 0.0005
lr_policy: "inv"
gamma: 0.0001
power: 0.75
display: 100
max_iter: 20000
snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"
solver_mode: CPU
-
设置深度网络模型。每一个模型就是一个net，也可用train_net和test_net来对训练模型和测试模型分别设定
方式一：网络位置
net: “examples/mnist/lenet_train_test.prototxt”
方式二：也可以分别设定train和test
train_net: “examples/hdf5_classification/logreg_auto_train.prototxt”
test_net: “examples/hdf5_classification/logreg_auto_test.prototxt” -
测试样本的batch数量
test_iter: 100 #迭代了多少个测试样本呢？ batch*test_iter 假设有5000个测试样本，一次测试想跑遍这5000个则需要设置test_iter×batch=5000 -
测试间隔
test_interval: 500 #也就是每训练500次，才进行一次测试。 -
基础学习率
base_lr: 0.01 #base_lr用于设置基础学习率 -
学习率调整的策略
lr_policy: “inv” #学习率调整的策略
策略选择：
- fixed: 保持base_lr不变.
# 以下学习的策略都随机迭代次数减小
- 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))))
- 动量
momentum：0.9 #动量：在原方向上的力与新的方向上力合成，能够使朝着最优值的优化速度更快 - 显示
display: 100 #每训练100次，在屏幕上显示一次。如果设置为0，则不显示。 - 最大迭代次数
max_iter: 20000 #最大迭代次数，2W次就停止了 - 快照
snapshot: 5000 #快照。将训练出来的model和solver状态进行保存，snapshot用于设置训练多少次后进行保存
snapshot_prefix: “examples/mnist/lenet” - CPU/GPU
solver_mode: CPU #设置运行模式。默认为GPU,如果你没有GPU,则需要改成CPU,否则会出错。