tensorflow 固定部分参数训练,只训练部分参数的实例
在使用tensorflow来训练一个模型的时候，有时候需要依靠验证集来判断模型是否已经过拟合，是否需要停止训练。
1.首先想到的是用tf.placeholder()载入不同的数据来进行计算，比如
definference(input_):
"""
thisiswhereyouputyourgraph.
thefollowingisjustanexample.
"""
conv1=tf.layers.conv2d(input_)
conv2=tf.layers.conv2d(conv1)
returnconv2
input_=tf.placeholder()
output=inference(input_)
...
calculate_loss_op=...
train_op=...
...
withtf.Session()assess:
sess.run([loss,train_op],feed_dict={input_:train_data})
ifvalidation==True:
sess.run([loss],feed_dict={input_:validate_date})
这种方式很简单，也很直接了然。
2.但是，如果处理的数据量很大的时候，使用tf.placeholder()来载入数据会严重地拖慢训练的进度，因此，常用tfrecords文件来读取数据。
此时，很容易想到，将不同的值传入inference()函数中进行计算。
train_batch,label_batch=decode_train() val_train_batch,val_label_batch=decode_validation() train_result=inference(train_batch) ... loss=.. train_op=... ... ifvalidation==True: val_result=inference(val_train_batch) val_loss=.. withtf.Session()assess: sess.run([loss,train_op]) ifvalidation==True: sess.run([val_result,val_loss])
这种方式看似能够直接调用inference()来对验证数据进行前向传播计算，但是，实则会在原图上添加上许多新的结点，这些结点的参数都是需要重新初始化的，也是就是说，验证的时候并不是使用训练的权重。
3.用一个tf.placeholder来控制是否训练、验证。
definference(input_):
...
...
...
returninference_result
train_batch,label_batch=decode_train()
val_batch,val_label=decode_validation()
is_training=tf.placeholder(tf.bool,shape=())
x=tf.cond(is_training,lambda:train_batch,lambda:val_batch)
y=tf.cond(is_training,lambda:train_label,lambda:val_label)
logits=inference(x)
loss=cal_loss(logits,y)
train_op=optimize(loss)
withtf.Session()assess:
loss,_=sess.run([loss,train_op],feed_dict={is_training:True})
ifvalidation==True:
loss=sess.run(loss,feed_dict={is_training:False})
使用这种方式就可以在一个大图里创建一个分支条件，从而通过控制placeholder来控制是否进行验证。
以上这篇tensorflow固定部分参数训练,只训练部分参数的实例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毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。