net

net: 訓練預測的網路描述檔案，train_test.prototxt

testing parameter

test_initialization:取值為true或者false，預設為true，就是剛啟動就進行測試，false的話不進行第一次的測試。
test_iter:這需要與test layer中的batch_size結合起來理解。mnist資料中測試樣本總數為10000，一次性執行全部資料效率很低，我們將測試資料分成幾個批次來執行，每個批次的數量就是batch_size。假設我們設定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設定為100。執行完一次全部資料，稱之為一個epoch。
test_interval

learning rate

base_lr:基礎學習速率。
momentum:衝量，靈感來自於牛頓第一定律，基本思路是為尋優加入了“慣性”的影響，這樣一來，當誤差曲面中存在平坦區的時候，SGD可以更快的速度學習。
weight_decay:權衰量
gamma:調節學習速率的因子
power:調節學習速率需要用到的引數
stepsize:每隔stepsize降低學習速率，每隔stepsize，基礎學習速率*gamma
max_iter：訓練的最大迭代次數

lr_policy:

• “fixed”:固定學習速率，始終等於base_lr
• “step”:步進衰減，base_lr*gamma^(floor(iter/stepsize))
• “exp”:指數衰減，base_lr*gamma^(iter)
• “inv”:倒數衰減，base_lr*(1+gamma*iter)^(-power)
• “multistep”:多步衰減，與步進衰減類似，允許非均勻步進值(stepvalue)
• “ploy”:多項式衰減，在max_iter時達到0，base_lr*(1-iter/max_iter)^(power)
• “sigmoid”:S形衰減，base_lr*(1/(1+exp^(-gamma*(iter-stepsize))))

output

snapshot:迭代snapshot次，列印一次快照，即儲存一次*.caffemodel，*.solverstate
snapshot_prefix:設定儲存路徑
display:每display次列印一次Loss

GPU setting

solver_mode:訓練模式，可選，CPU，GPU，2種模式