#tensorflow 中從ckpt文件中恢復指定的層或將指定的層不進行恢復:
#tensorflow 中不同的layer指定不同的學習率
with tf.Graph().as_default():
#存放的是需要恢復的層參數
variables_to_restore = []
#存放的是需要訓練的層參數名,這裏是沒恢復的需要進行重新訓練,實際上恢復了的參數也可以訓練
variables_to_train = []
for var in slim.get_model_variables():
excluded = False
for exclusion in fine_tune_layers:
#比如fine tune layer中包含logits,bottleneck
if var.op.name.startswith(exclusion):
excluded = True
break
if not excluded:
variables_to_restore.append(var)
#print('var to restore :',var)
else:
variables_to_train.append(var)
#print('var to train: ',var)
#這裏省略掉一些步驟,進入訓練步驟:
#將variables_to_train,需要訓練的參數給optimizer 的compute_gradients函數
grads = opt.compute_gradients(total_loss, variables_to_train)
#這個函數將只計算variables_to_train中的梯度
#然後將梯度進行應用:
apply_gradient_op = opt.apply_gradients(grads, global_step=global_step)
#也可以直接調用opt.minimize(total_loss,variables_to_train)
#minimize只是將compute_gradients與apply_gradients封裝成了一個函數,實際上還是調用的這兩個函數
#如果在梯度裏面不同的參數需要不同的學習率,那麼可以:
capped_grads_and_vars = []#[(MyCapper(gv[0]), gv[1]) for gv in grads_and_vars]
#update_gradient_vars是需要更新的參數,使用的是全局學習率
#對於不是update_gradient_vars的參數,將其梯度更新乘以0.0001,使用基本上不動
for grad in grads:
for update_vars in update_gradient_vars:
if grad[1]==update_vars:
capped_grads_and_vars.append((grad[0],grad[1]))
else:
capped_grads_and_vars.append((0.0001*grad[0],grad[1]))
apply_gradient_op = opt.apply_gradients(capped_grads_and_vars, global_step=global_step)
#在恢復模型時:
with sess.as_default():
if pretrained_model:
print('Restoring pretrained model: %s' % pretrained_model)
init_fn = slim.assign_from_checkpoint_fn(
pretrained_model,
variables_to_restore)
init_fn(sess)
#這樣就將指定的層參數沒有恢復
tensorflow 恢復指定層與不同層指定不同學習率
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.