Caffe实践C++源码解读:走入Solver

在理解如何使caffe运行之后，我们要理解它是如何运行的，即了解Solver类的Solve()函数做了什么，对于Solver类中如何初始化网络以及其他参数，有兴趣的可以深入研究。

源码中Solver()函数是有参数形式的

  // The main entry of the solver function. In default, iter will be zero. Pass
  // in a non-zero iter number to resume training for a pre-trained net.
  virtual void Solve(const char* resume_file = NULL);
  inline void Solve(const string resume_file) { Solve(resume_file.c_str()); }

各位一看就明白了吧。再看Solve函数的定义

templatevoid Solver::Solve(const char* resume_file) {
  CHECK(Caffe::root_solver());
  LOG(INFO) << "Solving " << net_->name();
  LOG(INFO) << "Learning Rate Policy: " << param_.lr_policy();

  // Initialize to false every time we start solving.
  requested_early_exit_ = false;

  if (resume_file) {
    LOG(INFO) << "Restoring previous solver status from " << resume_file;
    Restore(resume_file);
  }

传入参数resume_file是用于继续中断的训练的，既然caffe.cpp中的train()函数中已经进行了此操作，此处就不需要再传入resume_file参数了。
然后Solver就直接进入训练模式了，即Step函数，传入参数为循环的次数，此参数在solver.txt文件中定义的max_iter和resume_file加载的iter_参数的差。

  // For a network that is trained by the solver, no bottom or top vecs
  // should be given, and we will just provide dummy vecs.
  int start_iter = iter_;
  Step(param_.max_iter() - iter_);

在进入Step函数之前，我们继续往下看，训练完成后caffe会保存当前模型

  // If we haven't already, save a snapshot after optimization, unless
  // overridden by setting snapshot_after_train := false
  if (param_.snapshot_after_train()
      && (!param_.snapshot() || iter_ % param_.snapshot() != 0)) {
    Snapshot();
  }

如果solver.txt中提供了test网络，那么会在训练完成后进行一次测试

  // After the optimization is done, run an additional train and test pass to
  // display the train and test loss/outputs if appropriate (based on the
  // display and test_interval settings, respectively).  Unlike in the rest of
  // training, for the train net we only run a forward pass as we've already
  // updated the parameters "max_iter" times -- this final pass is only done to
  // display the loss, which is computed in the forward pass.
  if (param_.display() && iter_ % param_.display() == 0) {
    int average_loss = this->param_.average_loss();
    Dtype loss;
    net_->Forward(&loss);

    UpdateSmoothedLoss(loss, start_iter, average_loss);

    LOG(INFO) << "Iteration " << iter_ << ", loss = " << smoothed_loss_;
  }
  if (param_.test_interval() && iter_ % param_.test_interval() == 0) {
    TestAll();
  }

在Step函数中通过while循环迭代训练，并且如果设置有测试网络，在设置条件满足时，每次循环会先对当前网络进行测试

  while (iter_ < stop_iter) {
    // zero-init the params
    net_->ClearParamDiffs();
    if (param_.test_interval() && iter_ % param_.test_interval() == 0
        && (iter_ > 0 || param_.test_initialization())) {
      if (Caffe::root_solver()) {
        TestAll();
      }

测试完成后，如何没有终止训练，将继续训练，此处的iter_size默认值是1，主要作用是SGD中参数更新频率，即训练iter_size后更新网络，此时训练的总样本数为train.txt中定义的batch_size * iter_size。

    for (int i = 0; i < param_.iter_size(); ++i) {
      loss += net_->ForwardBackward();
    }

之后调用ApplyUpdate();更新权值和偏置，更新方法后续再聊。

Step中的测试与caffe.cpp中的test类似，主要是检测当前网络训练状态，可以根据任务状态提前终止训练，比如测试的损失函数达到一定范围。