solver算是caffe的核心的核心，它協調著整個模型的運作。caffe程式執行必帶的乙個引數就是solver配置檔案。執行**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呼叫前向（forward)演算法和後向（backward)演算法來更新引數，從而最小化loss，實際上就是一種迭代的優化演算法。
到目前的版本，caffe提供了六種優化演算法來求解最優引數，在solver配置檔案中，通過設定type型別來選擇。
solver的流程：
1. 設計好需要優化的物件，以及用於學習的訓練網路和用於評估的測試網路。（通過呼叫另外乙個配置檔案prototxt來進行）
2. 通過forward和backward迭代的進行優化來跟新引數。
3. 定期的評價測試網路。 （可設定多少次訓練後，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、呼叫forward演算法來計算最終的輸出值，以及對應的loss
2、呼叫backward演算法來計算每層的梯度
3、根據選用的slover方法，利用梯度進行引數更新
4、記錄並儲存每次迭代的學習率、快照，以及對應的狀態。
接下來，我們先來看乙個例項：
net: "examples/mnist/lenet_train_test.prototxt"接下來，我們對每一行進行詳細解譯：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
net: "examples/mnist/lenet_train_test.prototxt"設定深度網路模型。每乙個模型就是乙個net，需要在乙個專門的配置檔案中對net進行配置，每個net由許多的layer所組成。每乙個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：檔案的路徑要從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"接下來第二行：test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"
test_iter: 100這個要與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，因此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個資料全部執行完。因此test_iter設定為100。執行完一次全部資料，稱之為乙個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，用於學習率的設定。只要是梯度下降法來求解優化，都會有乙個學習率，也叫步長。base_lr用於設定基礎學習率，在迭代的過程中，可以對基礎學習率進行調整。怎麼樣進行調整，就是調整的策略，由lr_policy來設定。
lr_policy可以設定為下面這些值，相應的學習率的計算為：
multistep示例：
base_lr: 0.01接下來的引數：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
momentum ：0.9
type: sgd優化演算法選擇。這一行可以省掉，因為預設值就是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，防止過擬合的乙個引數。
display: 100每訓練100次，在螢幕上顯示一次。如果設定為0，則不顯示。
max_iter: 20000最大迭代次數。這個數設定太小，會導致沒有收斂，精確度很低。設定太大，會導致**，浪費時間。
snapshot: 5000快照。將訓練出來的model和solver狀態進行儲存，snapshot用於設定訓練多少次後進行儲存，預設為0，不儲存。snapshot_prefix設定儲存路徑。snapshot_prefix: "examples/mnist/lenet"
還可以設定snapshot_diff，是否儲存梯度值，預設為false,不儲存。
也可以設定snapshot_format，儲存的型別。有兩種選擇：hdf5 和binaryproto ，預設為binaryproto
solver_mode: cpu設定執行模式。預設為gpu,如果你沒有gpu,則需要改成cpu,否則會出錯。
注意：以上的所有引數都是可選引數，都有預設值。根據solver方法（type)的不同，還有一些其它的引數，在此不一一枚舉。
mysql檔案詳解 MySQL日誌檔案詳解
概述 日誌檔案是mysql資料庫的重要組成部分。mysql有幾種不同的日誌檔案，通常包括錯誤日誌檔案，二進位制日誌，通用日誌，慢查詢日誌，等等。這些日誌可以幫助我們定位mysqld內部發生的事件，資料庫效能故障，記錄資料的變更歷史，使用者恢復資料庫等等。本文主要描述mysql的各種日誌檔案。1.錯誤...
WINCE SOURCES檔案詳解
sources檔案是wince底層開發中最重要的檔案之一,主要的配置項如下 targetname,定義模組名稱.targettype,模組的種類,可以是dynlink,library,exe.如果targettype是dll,則可以定義dllentry,將dll入口定義成別的不是dllmain的函式...
u boot lds檔案詳解
源文來自http blog.csdn.net dongliqiang2006 archive 2009 12 01 4915836.aspx 對於.lds檔案，決定乙個可執行程式的各個段的儲存位置,以及入口位址，這也是鏈結定位的作用。這裡以u boot的lds為例說明uboot的鏈結過程。首先看一下...