tensorflow获取预训练模型某层参数并赋值到当前网络指定层方式

已经有了一个预训练的模型，我需要从其中取出某一层，把该层的weights和biases赋值到新的网络结构中，可以使用tensorflow中的pywrap_tensorflow(用来读取预训练模型的参数值)结合Session.assign()进行操作。

这种需求即预训练模型可能为单分支网络，当前网络为多分支，我需要把单分支A复用到到多个分支去（B，C，D）。

先导入对应的工具包

from tensorflow.python import pywrap_tensorflow

接下来的操作在一个tf.Session中进行

reader = pywrap_tensorflow.NewCheckpointReader(pre_train_model_path) # 获取当前图可训练变量 trainable_variables = tf.trainable_variables() # 需要赋值的当前网络层变量，这里只是随便起的名字。 restore_v_target_name = "fc_target" # 需要的预训练模型中的某层的名字 restore_v_source_name = "fc_source" for v in trainable_variables: if restore_v_target_name == v.name: # 回复weights和biases sess.run( tf.assign(v, reader.get_tensor(restore_v_source_name + "/weights"))) if "weights" in v.name else sess.run( tf.assign(v, reader.get_tensor(restore_v_source_name + "/biases")))

以上这篇tensorflow获取预训练模型某层参数并赋值到当前网络指定层方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。

您可能感兴趣的文章:Tensorflow训练MNIST手写数字识别模型tensorflow实现训练变量checkpoint的保存与读取Tensorflow训练模型越来越慢的2种解决方案TensorFlow实现保存训练模型为pd文件并恢复解决TensorFlow训练内存不断增长,进程被杀死问题tensorflow模型继续训练 fineturn实例tensorflow如何继续训练之前保存的模型实例Tensorflow实现在训练好的模型上进行测试tensorflow保持每次训练结果一致的简单实现

预训练模型 训练模型 训练 参数 模型 tensorflow 赋值