solver算是caffe的核心的核心，它協調著整個模型的運作。caffe程序運行必帶的一個參數就是solver配置文件。運行代碼一般為
# caffe train --solver=*_slover.prototxt
在Deep Learning中，往往loss function是非凸的，沒有解析解，我們需要通過優化方法來求解。solver的主要作用就是交替調用前向（forward)算法和后向（backward)算法來更新參數，從而最小化loss，實際上就是一種迭代的優化算法。
到目前的版本，caffe提供了六種優化算法來求解最優參數，在solver配置文件中，通過設置type類型來選擇。
- Stochastic Gradient Descent (
type: "SGD"), - AdaDelta (
type: "AdaDelta"), - Adaptive Gradient (
type: "AdaGrad"), - Adam (
type: "Adam"), - Nesterov’s Accelerated Gradient (
type: "Nesterov") and - RMSprop (
type: "RMSProp")
?具體的每種方法的介紹，請看本系列的下一篇文章, 本文著重介紹solver配置文件的編寫。
Solver的流程：
1.?????設計好需要優化的對象，以及用于學習的訓練網絡和用于評估的測試網絡。（通過調用另外一個配置文件prototxt來進行）
2.?????通過forward和backward迭代的進行優化來跟新參數。
3.?????定期的評價測試網絡。 （可設定多少次訓練后，進行一次測試）
4.?????在優化過程中顯示模型和solver的狀態
在每一次的迭代過程中，solver做了這幾步工作：
1、調用forward算法來計算最終的輸出值，以及對應的loss
2、調用backward算法來計算每層的梯度
3、根據選用的slover方法，利用梯度進行參數更新
4、記錄并保存每次迭代的學習率、快照，以及對應的狀態。
接下來，我們先來看一個實例：
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
接下來，我們對每一行進行詳細解譯：
net: "examples/mnist/lenet_train_test.prototxt"
設置深度網絡模型。每一個模型就是一個net，需要在一個專門的配置文件中對net進行配置，每個net由許多的layer所組成。每一個layer的具體配置方式可參考本系列文文章中的（2）-（5）。注意的是：文件的路徑要從caffe的根目錄開始，其它的所有配置都是這樣。
也可用train_net和test_net來對訓練模型和測試模型分別設定。例如：
train_net: "examples/hdf5_classification/logreg_auto_train.prototxt" test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"
接下來第二行：
test_iter: 100
這個要與test layer中的batch_size結合起來理解。mnist數據中測試樣本總數為10000，一次性執行全部數據效率很低，因此我們將測試數據分成幾個批次來執行，每個批次的數量就是batch_size。假設我們設置batch_size為100，則需要迭代100次才能將10000個數據全部執行完。因此test_iter設置為100。執行完一次全部數據，稱之為一個epoch
test_interval: 500
測試間隔。也就是每訓練500次，才進行一次測試。
base_lr: 0.01
lr_policy: "inv"
gamma: 0.0001
power: 0.75
這四行可以放在一起理解，用于學習率的設置。只要是梯度下降法來求解優化，都會有一個學習率，也叫步長。base_lr用于設置基礎學習率，在迭代的過程中，可以對基礎學習率進行調整。怎么樣進行調整，就是調整的策略，由lr_policy來設置。
lr_policy可以設置為下面這些值，相應的學習率的計算為：
-
- - fixed: ?保持base_lr不變.
- - step: ?如果設置為step,則還需要設置一個stepsize, ?返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示當前的迭代次數
- - exp: ? 返回base_lr * gamma ^ iter， iter為當前迭代次數
- - inv: ? ? 如果設置為inv,還需要設置一個power, 返回base_lr * (1 + gamma * iter) ^ (- power)
- - multistep:?如果設置為multistep,則還需要設置一個stepvalue。這個參數和step很相似，step是均勻等間隔變化，而multistep則是根據 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? stepvalue值變化
- - poly: ?學習率進行多項式誤差, 返回 base_lr (1 - iter/max_iter) ^ (power)
- - sigmoid: 學習率進行sigmod衰減，返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))
multistep示例：
base_lr: 0.01 momentum: 0.9 weight_decay: 0.0005 # The learning rate policy lr_policy: "multistep" gamma: 0.9 stepvalue: 5000 stepvalue: 7000 stepvalue: 8000 stepvalue: 9000 stepvalue: 9500
接下來的參數：
momentum ：0.9
上一次梯度更新的權重，具體可參看下一篇文章。
type: SGD
優化算法選擇。這一行可以省掉，因為默認值就是SGD。總共有六種方法可選擇，在本文的開頭已介紹。
weight_decay: 0.0005
權重衰減項，防止過擬合的一個參數。
display: 100
每訓練100次，在屏幕上顯示一次。如果設置為0，則不顯示。
max_iter: 20000
最大迭代次數。這個數設置太小，會導致沒有收斂，精確度很低。設置太大，會導致震蕩，浪費時間。
snapshot: 5000 snapshot_prefix: "examples/mnist/lenet"
快照。將訓練出來的model和solver狀態進行保存，snapshot用于設置訓練多少次后進行保存，默認為0，不保存。snapshot_prefix設置保存路徑。
還可以設置snapshot_diff，是否保存梯度值，默認為false,不保存。
也可以設置snapshot_format，保存的類型。有兩種選擇：HDF5 和BINARYPROTO ，默認為BINARYPROTO
solver_mode: CPU
設置運行模式。默認為GPU,如果你沒有GPU,則需要改成CPU,否則會出錯。
?
注意：以上的所有參數都是可選參數，都有默認值。根據solver方法（type)的不同，還有一些其它的參數，在此不一一列舉。
?
與內存分配 pragma pack(push,1)與#pragma pack(1)的區別)
