如何微调训练前的张量流模型？

Question

我有一个预先训练的模型，该模型存储为文件：

• converted.data-00000-of-00001
• converted.index
• converted.meta

我可以下载它，看看其中有哪个tf.variable：

with tf.Session() as sess:

    new_saver = tf.train.import_meta_graph('trackrcnn_init/converted.meta')
    new_saver.restore(sess, 'trackrcnn_init/converted')

    variables = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)

如果您打印其中一些，它将看起来像这样：

...
<tf.Variable 'resnetconv4/group0/block2/conv3/W:0' shape=(1, 1, 64, 256) dtype=float32_ref>
<tf.Variable 'resnetconv4/group0/block2/conv3/bn/beta:0' shape=(256,) dtype=float32_ref>
<tf.Variable 'resnetconv4/group0/block2/conv3/bn/gamma:0' shape=(256,) dtype=float32_ref>
<tf.Variable 'resnetconv4/group0/block2/conv3/bn/mean_ema:0' shape=(256,) dtype=float32_ref>
<tf.Variable 'resnetconv4/group0/block2/conv3/bn/var_ema:0' shape=(256,) dtype=float32_ref>
<tf.Variable 'resnetconv4/group1/block0/conv1/W:0' shape=(1, 1, 256, 128) dtype=float32_ref>
<tf.Variable 'resnetconv4/group1/block0/conv1/W/AccumGrad:0' shape=(1, 1, 256, 128) dtype=float32_ref>
<tf.Variable 'resnetconv4/group1/block0/conv1/W/Momentum:0' shape=(1, 1, 256, 128) dtype=float32_ref>
...

假设我需要将其中一些更改为其他，并用零初始化它们，以便进一步训练这些片段。

例如，我想用<tf.Variable 'resnetconv4/group1/block0/conv1/W:0' shape=(1, 1, 256, 256) dtype=float32_ref>中的<tf.Variable 'resnetconv4/group1/block0/conv1/W:0' shape=(1, 1, 256, 128) dtype=float32_ref>。

换句话说，我想调整神经网络的一层的大小，然后开始训练并确定新的权重。

如何进行这样的微调？