基于张量流估计的转移学习/再训练

Question

我一直不知道如何在新的TFEstimator API中使用转移学习/最后一层再培训。在

Estimator需要一个model_fn，其中包含网络架构、培训和评估操作，如{a2}中所定义。使用CNN架构的model_fn的一个例子是here。在

如果我想重新培训inception架构的最后一层，例如，我不确定是否需要在此model_fn中指定整个模型，然后加载预先训练的权重，或者是否有一种方法像“传统”方法那样使用保存的图（例如here）。在

这是一个issue，但仍然是开放的，我不清楚答案。在

Answer 1

可以在模型定义期间加载元图，并使用SessionRunHook从ckpt文件加载权重。在

def model(features, labels, mode, params):
    # Create the graph here

    return tf.estimator.EstimatorSpec(mode, 
            predictions,
            loss,
            train_op,
            training_hooks=[RestoreHook()])

SessionRunHook可以是：

^{pr2}$

这样，在第一步加载权重，并在模型检查点进行训练时保存。在