如何不在 Tensorflow 中重新初始化预训练的加载模型？

Question

我使用以下代码加载了一个预训练模型（ Model 1 ）：

def load_seq2seq_model(sess):


    with open(os.path.join(seq2seq_config_dir_path, 'config.pkl'), 'rb') as f:
        saved_args = pickle.load(f)

    # Initialize the model with saved args
    model = Model1(saved_args)

    #Inititalize Tensorflow saver
    saver = tf.train.Saver()

    # Checkpoint 
    ckpt = tf.train.get_checkpoint_state(seq2seq_config_dir_path)
    print('Loading model: ', ckpt.model_checkpoint_path)

    # Restore the model at the checkpoint
    saver.restore(sess, ckpt.model_checkpoint_path)
    return model

现在，我想从头开始训练另一个模型（ Model 2 ），它将采用Model 1的输出。 但是为此我需要定义一个会话并加载预训练模型并初始化模型tf.initialize_all_variables() 。 因此，预训练的模型也将被初始化。

谁能告诉我如何火车Model 2从预先训练的模型得到的输出后， Model 1正常吗？

我正在尝试的内容如下-

with tf.Session() as sess:
    # Initialize all the variables of the graph
    seq2seq_model = load_seq2seq_model(sess)
    sess.run(tf.initialize_all_variables())
    .... Rest of the training code goes here....

Answer 1

使用保护程序恢复的所有变量都不需要初始化。 因此，您可以使用tf.variables_initializer(var_list)来仅初始化第二个网络的权重，而不是使用tf.initialize_all_variables() 。

要获取第二个网络的所有权重列表，您可以在可变范围内创建Model 2网络：

with tf.variable_scope("model2"):
    model2 = Model2(...)

然后使用

model_2_variables_list = tf.get_collection(
    tf.GraphKeys.GLOBAL_VARIABLES, 
    scope="model2"
)

获取Model 2网络的变量列表。 最后，您可以为第二个网络创建初始化程序：

init2 = tf.variables_initializer(model_2_variables_list)

with tf.Session() as sess:
    # Initialize all the variables of the graph
    seq2seq_model = load_seq2seq_model(sess)
    sess.run(init2)
    .... Rest of the training code goes here....