我只是想了解如何使用Caffe。为此，我只是查看了示例文件夹中不同的.prototxt 文件。有一个选项我不明白：
# The learning rate policy
lr_policy: "inv"
可能的值似乎是：
"fixed""inv""step""multistep""stepearly""poly" 有人可以解释一下这些选项吗？
【问题讨论】：
标签： machine-learning neural-network deep-learning caffe gradient-descent
随着优化/学习过程的进行，降低学习率 (lr) 是一种常见的做法。然而，目前尚不清楚学习率应该如何作为迭代次数的函数而降低。
如果您使用 DIGITS 作为 Caffe 的接口，您将能够直观地看到不同的选择如何影响学习率。
固定：学习率在整个学习过程中保持固定。
inv：学习率正在衰减为 ~1/T
步骤：学习率是分段常数，每 X 次迭代下降一次
多步：以任意间隔分段常数
您可以在函数 SGDSolver<Dtype>::GetLearningRate（solvers/sgd_solver.cpp 第 ~30 行）中准确查看学习率是如何计算的。
最近，我发现了一种有趣且非常规的学习率调整方法：Leslie N. Smith's work "No More Pesky Learning Rate Guessing Games"。在他的报告中，Leslie 建议使用lr_policy 交替降低和增加学习率。他的工作还提出了如何在 Caffe 中实施此策略。
【讨论】：
如果您查看/caffe-master/src/caffe/proto/caffe.proto 文件（您可以在网上找到它here），您将看到以下描述：
// The learning rate decay policy. The currently implemented learning rate
// policies are as follows:
// - fixed: always return base_lr.
// - step: return base_lr * gamma ^ (floor(iter / step))
// - exp: return base_lr * gamma ^ iter
// - inv: return base_lr * (1 + gamma * iter) ^ (- power)
// - multistep: similar to step but it allows non uniform steps defined by
// stepvalue
// - poly: the effective learning rate follows a polynomial decay, to be
// zero by the max_iter. return base_lr (1 - iter/max_iter) ^ (power)
// - sigmoid: the effective learning rate follows a sigmod decay
// return base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))
//
// where base_lr, max_iter, gamma, step, stepvalue and power are defined
// in the solver parameter protocol buffer, and iter is the current iteration.
【讨论】：