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') 2 ''' 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') 5 ''' 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。
