转载请注明处处:
http://www.cnblogs.com/darkknightzh/p/7608709.html
参考网址:
https://kratzert.github.io/2017/02/24/finetuning-alexnet-with-tensorflow.html
https://github.com/kratzert/finetune_alexnet_with_tensorflow/blob/master/finetune.py#L109
https://github.com/davidsandberg/facenet
得到正常训练时的train_op时,使用tf.trainable_variables(),想要finetune,使用下面这句话(参考网址1,其实网址1和2都是同一个人的。。。):
fine_tune_var_list = [v for v in tf.trainable_variables() if v.name.split(‘/‘)[0] in train_layers]
或者
fine_tune_var_list = [i for i in tf.trainable_variables() if ‘fc1/weights‘ in i.name]
可以得到需要finetune的参数。如果不知道参数名字,可以先print出来:
for var in tf.trainable_variables(): print(var)
然后找到需要finetune的层。也可以通过其他方法,只要能找到就行。。。
将fine_tune_var_list传给train_op,之后正常训练,便可以对网络进行finetune了,如下(见参考网址2):
with tf.name_scope("train"): # Get gradients of all trainable variables gradients = tf.gradients(loss, var_list) gradients = list(zip(gradients, var_list)) # Create optimizer and apply gradient descent to the trainable variables optimizer = tf.train.GradientDescentOptimizer(learning_rate) train_op = optimizer.apply_gradients(grads_and_vars=gradients)
当然,也可以使用自己其他的代码。但是,我这边直接使用上面代码,保存模型时,后缀都是0,把train_op 那句改成train_op = optimizer.apply_gradients(grads_and_vars=gradients , global_step=global_step)就可以了。当然,我出现的问题,和自己的代码有关系。
也可以用下面的代码(从参考网址3中提取):
opt = tf.train.GradientDescentOptimizer(learning_rate) train_op = get_train_op(grad, opt, global_step, args.moving_average_decay, finetune_params)
其中,
def get_train_op(grads, opt, global_step, moving_average_decay, train_var): # Apply gradients. apply_gradient_op = opt.apply_gradients(grads, global_step=global_step) # Track the moving averages of trainable variables. variable_averages = tf.train.ExponentialMovingAverage(moving_average_decay, global_step) variables_averages_op = variable_averages.apply(train_var) with tf.control_dependencies([apply_gradient_op, variables_averages_op]): train_op = tf.no_op(name=‘train‘) return train_op
注意的是,参考网址2中的代码,再对参数更新的时候,没有使用滑动平均。上面的代码,使用了滑动平均。
时间: 2024-10-06 12:09:29