为了便于讨论,对以下模型进行了简化。
假设在我的训练集中有大约40000张512x512的图像。我正在努力实施预培训,我的计划如下:
1.训练一个接受256x256图像的神经网络(称之为net1),并将训练后的模型保存为tensorflow检查点文件格式。在
net_1: input -> 3 conv2d -> maxpool2d -> 2 conv2d -> rmspool -> flatten -> dense
我们将此结构称为net_1_内核:
^{pr2}$并将剩余部分称为其他层:
other_layers: rmspool -> flatten -> dense
因此,我们可以用以下形式表示net_1:
net_1: input -> net_1_kernel -> other_layers
2.在net1的结构中插入几层,现在称之为net2。应该是这样的:
net_2: input -> net_1_kernel -> maxpool2d -> 3 conv2d -> other_layers
net_2将以512x512图像作为输入。在
当我训练net_2时,我想使用net_1的检查点文件中保存的权重和偏差来初始化net_2中的net_1_内核部分。我该怎么做?
我知道我可以加载检查点来预测测试数据。但在这种情况下,它将加载所有内容(net1_内核和其他层)。我想要的是只加载net_1_内核,并将其用于netu 2中的权重/偏差初始化。在
我还知道我可以将检查点文件中的内容打印为txt,并复制和粘贴以手动初始化权重和偏差。然而,在这些权重和偏差中有太多的数字,这将是我最后的选择。在
首先,您可以使用以下代码检查保存的ckpt文件中所有检查点的列表。在
请记住,当您还原检查点文件时,它将还原检查点文件中的所有变量。如果必须保存和恢复特定的变量,可以执行以下操作:
tf.trainable_variables()
保存的所有变量的列表var = [v for v in tf.trainable_variables() if "net_1_kernel" in v.name]
saverAndRestore = tf.train.Saver(var)
saverAndRestore.save(sess_1,"net_1.ckpt")
这将只将列表var中的变量保存到net_1.ckpt。在
saverAndRestore.restore(sess_1,"net_1.ckpt")
这将仅从net_1.ckpt恢复列表变量中的变量。在
除此之外,您所要做的就是命名/限定变量的范围,这样您就可以轻松地执行上面的步骤1。在
相关问题 更多 >
编程相关推荐