trainable_vars = tf.trainable_variables()
freeze_conv_var_list = [t for t in trainable_vars if not t.name.startswith(u'conv')]
grads = opt.compute_gradients(loss, var_list=freeze_conv_var_list)
参考:https://www.cnblogs.com/hrlnw/p/10400057.html
在优化时,默认是计算更新图中所有tf.Variable,也可直接指定var_list
optimizer.minimize(loss,var_list=)时传入指定var_list
参考:https://blog.csdn.net/xys430381_1/article/details/88885580
深度学习中,有时需要固定网络中部分层数的参数而只训练剩余的一部分,通过合理的使用tf.get_collection()函数,可以很容易的实现。例如:
1 loss_vars = tf.get_collection(tf.GraphKyes.TRAINABLE_VARIABLES, scope='conv1')
3 #如果有多个要训练的参数的话可以用‘|’连接
4 loss_vars = tf.get_collection(tf.GraphKyes.TRAINABLE_VARIABLES, scope='conv1|conv2|conv3')
6 opt= tf.train.AdamOptimizer(learning_rate=0.01, beta1=0.5, beta2=0.9).minimize(loss, var_list=loss_vars)
即,把需要更新梯度的层放在get_collection这个函数里面,不需要更新的不放进去。
参考:https://www.cnblogs.com/piaojianxue/p/10826373.html