Question

在机器学习中使用tensorflow时，有时我们想要预先训练模型，并通过检查点文件（使用saver.save（））将模型保存在pre-train_model floder中。然后我们希望使用预列车模型层的一部分来初始化新网络，并使用检查点文件将新列车模型保存在new-train_model文件夹中。

那么，我该怎么做才能实现这个功能。

Answer 1

Tensorflow：当我们希望saver在我们的火车图中保存所有变量时，通常我们按如下方式定义保护程序：

saver = tf.train.Saver()

在init函数中，

__init__(self,
         vat_list=None
        ......
        )
self._var_list = var_list
.......
if self._var_list in None:
    self._var_list = variables._all_saveable_objects()
......

如果我们想从其他cnn模型加载2个图层，那么我们可以定义要恢复的变量列表并将其提供给保护程序对象，如下所示：

variables_to_restore = [var for var in tf.global_variables()
                        if var.name.startswith('conv_1')
                        or var.name.startswith('conv_2')]
saver = tf.train.Saver(variables_to_restore)
........
saver.restore(....)

这是一个例子，您可以根据自己的需要进行更改。

但是，在使用saver.save（）将新模型保存到新模型文件夹后，如果要在下次恢复所有图形变量，则可以使用以下代码初始化保护对象： / p>

saver = tf.train.Saver()

之后，当您执行saver.restore（）时，您很可能会看到“tensor node或vars无法找到”类型的错误。

要解决这些错误，您可以在转移模型时执行以下操作：

variables_to_restore = [var for var in tf.global_variables()
                        if var.name.startswith('conv_1')
                        or var.name.startswith('conv_2')]
saver = tf.train.Saver(variables_to_restore)
saver_all = tf.train.Saver()
........
saver.restore(....)
saver = saver_all
......
saver.save(<in new model folder>)

Tensorflow传输学习如何从一个检查点文件加载部分图层，并将所有图形变量保存在另一个检查点文件中

1 个答案: