（原）tensorflow中finetune某些层

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。