tensorflow冻结变量方法（tensorflow freeze variable）

最近由于项目需要，要对tensorflow构造的模型中部分变量冻结，然后继续训练，因此研究了一下tf中冻结变量的方法，目前找到三种，各有优缺点，记录如下：

 

1.名词解释

冻结变量，指的是在训练模型时，对某些可训练变量不更新，即仅参与前向loss计算，不参与后向传播，一般用于模型的finetuning等场景。例如：我们在其他数据上训练了一个resnet152模型，然后希望在目前数据上做finetuning，一般来讲，网络的前几层卷积是用来提取底层图像特征的，因此可以对前3个卷积层进行冻结，不改变其weight和bias的数值。

 

2.方法介绍

目前我找到了三种tf冻结变量的方法，各有优缺点，具体如下：

2.1 trainable=False

一切tf.Variable或tf.Variable的子类，在创建时，都有一个trainable参数，在tf官方文档（https://www.tensorflow.org/api_docs/python/tf/Variable）中有对这个参数的定义，

 

意思是，如果trainable设置为True，就会把变量添加到GraphKeys.TRAINABLE_VARIABLES集合中，如果是False，则不添加。而在计算梯度进行后向传播时，我们一般会使用一个optimizer，然后调用该optimizer的compute_gradients方法。在compute_gradients中，第二个参数var_list如果不传入，则默认为GraphKeys.TRAINABLE_VARIABLES。

总结下，trainable=False冻结变量的逻辑：trainable=False → 该变量不会放入GraphKeys.TRAINABLE_VARIABLES → 调用optimizer.compute_gradients方法时默认变量列表为GraphKeys.TRAINABLE_VARIABLES，该变量不在其中，因此不参与后向传播，值不进行更新，达到冻结变量效果。

优点：操作简单，只要在你创建变量时设置trainable=False即可

缺点：不知道大家发现没有，我上面的总结中，optimizer.compute_gradients方法默认变量列表是GraphKeys.TRAINABLE_VARIABLES，这句话还意味着，如果我不想用默认变量列表，而使用自定义变量列表，那么即使设置了trainable=False，只要把该变量加入到自定义变量列表中，变量还是会参与后向传播的，值也会更新。另外，tf.layers、tf.contrib.rnn等一些高度封装的API是不支持这个参数的，没法用该方法冻结变量。最后，如果我们在使用Saver保存ckpt时，一般调动tf.trainable_variables()方法只保存可训练参数，这时返回的变量列表，也有上面的问题，即设置了trainable=False的变量不会在里面。

 

2.2 tf.stop_gradient()

 我们还可以通过在某个变量外面包裹一层tf.stop_gradient()函数来达到冻结变量的目的。例如我们想冻结w1，可以写成这样：

w1 = tf.stop_gradient(w1)

在后向传播时，w1的值就不会更新。下面说下优缺点。

优点：操作简单，针对想冻结的变量，添加上面这一行即可，而且相比于上一个方法，设置了tf.stop_gradient()的变量，不会从GraphKeys.TRAINABLE_VARIABLES集合中去除，因此不会影响梯度计算和保存模型

缺点：和上一个方法类似，tf.stop_gradient()的输入是Tensor，tf.layers、tf.contrib.rnn等一些高度封装的API的返回值没法作为参数传入，即不能用该方法冻结

 

2.3 optimizer.compute_gradients(loss,var_list=no_freeze_vars)

optimizer.compute_gradients在2.1中提到过，其实我们只需要在计算梯度时，指定变量列表，把希望冻结的变量去除，即可完成冻结变量。但这么做有一个前提，我们必须知道所有可训练变量的名字，并根据一些规则去除变量。获取所有可训练变量名字调用tf.trainable_variables()方法即可，但去除变量则需要我们在构建网络的时候，合理利用tf.variable_scope，对不同变量做区分。例如，我们如果想把可训练变量中所有卷积层变量冻结，可以这么写：

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)

下面总结下优缺点，

优点：没有2.1和2.2的缺点，是一种适用范围更加广泛的方法

缺点：相对2.1，2.2使用起来比较复杂，需要自己去除冻结变量，并且variable_scope不能随意改动，因为可能使去除变量的过滤操作无效化。例如：如果把原来'cnn' scope改为'vgg'，那么上面的代码就无效了

 

3.总结

tf对于一些常用操作，往往会提供多种方法，但每种方法一般都是有区别的，并且操作原理和后面的逻辑也会有不同，要谨慎使用

 

转载于:https://www.cnblogs.com/hrlnw/p/10400057.html