tensorflow 恢复指定层与不同层指定不同学习率的方法

如下所示：

#tensorflow 中从ckpt文件中恢复指定的层或将指定的层不进行恢复:
#tensorflow 中不同的layer指定不同的学习率

with tf.Graph().as_default():
#存放的是需要恢复的层参数
variables_to_restore = []
#存放的是需要训练的层参数名,这里是没恢复的需要进行重新训练,实际上恢复了的参数也可以训练
 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)

#这里省略掉一些步骤,进入训练步骤:
 #将variables_to_train,需要训练的参数给optimizer 的compute_gradients函数
 grads = opt.compute_gradients(total_loss, variables_to_train)
 #这个函数将只计算variables_to_train中的梯度
 #然后将梯度进行应用:
 apply_gradient_op = opt.apply_gradients(grads, global_step=global_step)
 #也可以直接调用opt.minimize(total_loss,variables_to_train)
 #minimize只是将compute_gradients与apply_gradients封装成了一个函数,实际上还是调用的这两个函数
 #如果在梯度里面不同的参数需要不同的学习率,那么可以:

capped_grads_and_vars = []#[(MyCapper(gv[0]), gv[1]) for gv in grads_and_vars]
 #update_gradient_vars是需要更新的参数,使用的是全局学习率
 #对于不是update_gradient_vars的参数,将其梯度更新乘以0.0001,使用基本上不动
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)

#在恢复模型时:

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)
  #这样就将指定的层参数没有恢复

来源：https://blog.csdn.net/LIYUAN123ZHOUHUI/article/details/69569493