在solver解决下面的四个问题：
a.训练的记录（bookkeeping），创建用于training以及test的网络结构；
b.使用前向以及反向过程对training网络参数学习的过程；
c.对testing网络进行评价；
d.优化过程中模型中间结果的快照及求解的状态；
下面从这个四个方面介绍solver.prototxt文件中常见参数的含义：
1.net，type;base_lr,lr_polilcy
net： 用于声明training 以及test的网络结构定义在哪个文件中，所以它是一个文件名，一般用caffe的相对路径。这个还可以分开用train_net以及test_net，相当于在两个文件中分别给出了训练以及测试网络的结构定义。
type：solver的类型。深度网络的目标函数一般是非凸的，一般用基于梯度下降的方法来解。caffe中支持的基于梯度的方法包括： SGD(default),AdaDelt,AdaGrad,Adam,NAG.每个方法需要设定不同的参数，这里首先分析SGD的参数：
base_lr:学习率（learning rate），也就是梯度算法中的步长，这个是最初的步长。
lr_policy: 按照某种方式对梯度算法中的步长进行更新；包含下面的方式：fixed,step,exp,inv,multistep,poly,sigmoid对这些的详细描述可以参考这个很赞的blog. 这里描述常用的基于迭代次数的方式：step。她根据iter对步长进行更新，这种方式还对应一个stepsize参数,它的值是一个整数，表示stepsize次迭代对步长进行一次更新；公式为base_lr*gamma^(iter/stepsize）
gamma：这个参数就是在上面的公式中更新学习率的公式中用到的参数，要注意的是不同的方式有不同参数，有些方法中可能不存在这个参数。
momentum（mu）：它表示的是本次更新权重用的梯度对上一次梯度的保留的比例。
2.max_iter,display,weight_decay
max_iter:这个表示网络前向以及后向学习算法的次数。
display: 参数是一个整数，表明多少次对结果进行一此展示。如果设为0就不会打印。
weight_decay:权重正则项的参数，它是为了防止模型的过拟。通常而言，一般样本越多，值越小；模型越大（更深，滤波器尺寸越大等），值越大。
3.test_iter, test_interval：
test_iter:测试网络中测试的时候所用的batch数，一般保证test_iter*batch>测试样本数；
test_interval:每隔多少个iter对测试网络进行一个评价。
4.snapshot,snapshot_prefix.
snapshot：多少个iter保存一次网络的快照，这个有利于resume；
snapshot_prefix：快照存储的位置以及名称。
还可以设置snapshot_diff,snapshot_format.是否保存梯度值以及保存的类型。
Reference
[1]http://www.cnblogs.com/denny402/p/5074049.html
[2]http://stackoverflow.com/questions/32177764/what-is-weight-decay-meta-parameter-in-caffe?noredirect=1&lq=1
[3]http://caffe.berkeleyvision.org/tutorial/solver.html