理論介紹
上式中,
在caffe中,forward只有前面一項,正則項是反向更新的時候才加上的。
上面一式中,
SGD solver
任何一個solver的對權重進行更新時都要完成一次forward和backward。在solver.cpp中完成這一步的函數是step()。
template <typename Dtype>
void Solver<Dtype>::Step(int iters) {
......
for (int i = 0; i < param_.iter_size(); ++i) {
loss += net_->ForwardBackward();//執行網絡的forward和backward
}
......
ApplyUpdate();//更新參數
......
執行完forward和backward後,就是對參數的更新,ApplyUpdate()函數完成這一操作。ApplyUpdate()函數是個虛函數,因此不同的solver可以實現不同的更新策略。在SGD中,主要有歸一化、正則化、計算更新量、更新這四個函數。
template <typename Dtype>
void SGDSolver<Dtype>::ApplyUpdate() {
......
ClipGradients();
for (int param_id = 0; param_id < this->net_->learnable_params().size();
++param_id) {
Normalize(param_id);//歸一化
Regularize(param_id);//正則化
ComputeUpdateValue(param_id, rate);//計算更新量
}
this->net_->Update();//更新
}
假設爲L2正則化,正則項的導數爲w
template <typename Dtype>
void SGDSolver<Dtype>::Regularize(int param_id) {
......
if (regularization_type == "L2") {
// add weight decay
caffe_axpy(net_params[param_id]->count(),
local_decay,
net_params[param_id]->cpu_data(),
net_params[param_id]->mutable_cpu_diff());//diff=diff + decay * w
}
......
}
然後計算更新量,並保存
template <typename Dtype>
void SGDSolver<Dtype>::ComputeUpdateValue(int param_id, Dtype rate) {
......
// Compute the update to history, then copy it to the parameter diff.
switch (Caffe::mode()) {
case Caffe::CPU: {
//history = momentum * history + diff * learning_rate
caffe_cpu_axpby(net_params[param_id]->count(), local_rate,
net_params[param_id]->cpu_diff(), momentum,
history_[param_id]->mutable_cpu_data());
caffe_copy(net_params[param_id]->count(),//diff = history
history_[param_id]->cpu_data(),
net_params[param_id]->mutable_cpu_diff());
break;
}
......
default:
LOG(FATAL) << "Unknown caffe mode: " << Caffe::mode();
}
}
最後對整個網絡權重進行更新
this->net_->Update();
整個網絡的更新其實就是w-diff,在net.cpp中調用
template <typename Dtype>
void Net<Dtype>::Update() {
for (int i = 0; i < learnable_params_.size(); ++i) {
learnable_params_[i]->Update();//w-diff
}
}
這裏其實就是調用了blob的update進行更新。