Caffe MemoryData Layer和Solver inteface

Question

我正在尝试训练网络，而是使用lmdb或leveldb，我正在将数据提供给我的网络。所以我遵循下面概述的程序

1. 我的数据已加载到内存数据层中。
2. 我使用python脚本创建一个迷你批处理。
3. 将数据和标签设置为solver.net.set_input_arrays(batch,labels)
4. 之后我致电solver.step(1)

此解算器的类型为SGDSolver。现在我的问题是solver.solve()和solver.step()之间有什么区别？

2，这种方法不允许我为测试网络提供内存数据层。对此有什么解决方法吗？

我的solver.prototxt看起来像

net: "/path/to/train_val.prototxt"
base_lr: 0.01
lr_policy: "step"
gamma: 0.1
stepsize: 100000
display: 20
max_iter: 450000
momentum: 0.9
weight_decay: 0.0005
snapshot: 10000
snapshot_prefix: "/path/to/temporal_net_train"
solver_mode: GPU

使用我的方法，每20次迭代网络显示一些输出损失等。不知何故，损失在某些数量的迭代中保持不变，这可能是原因。

Answer 1

1. solver.solve和solver.step有什么区别？

解决执行整个训练，达到您设置的任何限制 - 通常是迭代限制。 步骤仅执行指定的迭代次数。

1. 如何获取测试网络的内存数据层？

如果您没有阅读支持的数据通道/格式，我认为您必须编写客户输入例程（您的数据包）。

1. 损失在多次迭代中保持不变，原因可能是什么？

根据周围的影响，有几种可能性。如果损失只显示一个值，那么你的反向传播可能是罪魁祸首。也许您没有正确连接到数据集，并且您没有获得预期的分类。

如果损失具有暂时的稳定性，但随后趋于收敛，请不要担心;这可能是培训订购的结果。

如果损失适当下降然后稳定在一个固定值，那么你也表现良好：训练在迭代用完之前收敛。