Question

我对张量流有疑问；我的网络状况是固定的，但是由于每种情况的某些局部特征，我想在许多不同的情况下进行培训；由于输入（不同的情况）是“相似的”，因此我想使用上一个的训练结果来初始化此新学习。我试过的是以下内容（我简化了代码），是否有人有更好的实现此想法？谢谢

   cae_in = tf.placeholder(tf.float32,(some size))

   cae_out = tf.placeholder(tf.float32,(None,(some size))

   out = some_function(cae_in) 

   loss = tf.reduce_mean(tf.square(out-cae_out))

   optimiser = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

   init_op = tf.global_variables_initializer()

   with tf.Session() as sess:
       init_op.run()

       for inx in range(all_cases):
           feed_in = some array[i]
           feed_in2 = some array[i]

           for iteration in range(0,n_iterations):
               sess.run([optimiser], feed_dict = {cae_in: feed_in,cae_out:feed_in2})

Answer 1

在检查点完成一个会话后，您可以尝试保存可训练的变量：

saver = tf.train.Saver(tf.trainable_variables())

with tf.Session():
    ...
    saver.save()

在开始另一项训练之前，从该检查点恢复。

如何使用会话的权重初始化新会话的权重？

1 个答案: