如何冻结张量流模型？

Question

我有一个保存rnn类的model.py文件。 例如：

class TextRNN:
    def __init__(self, hidden_size, num_classes, learning_rate...):

        self.input_data = tf.placeholder(tf.int32,[batch_size,None],name="input_data")
        self.output_label = tf.placeholder(tf.float32,[batch_size,num_classes],name="output_label")
        self.dropout_rate = tf.placeholder(tf.float32,name="dropout_rate")

        with tf.name_scope("embedding"):
            ...

        with tf.name_scope("hidden"):
            ...

        with tf.name_scope("output"):
            ...

在main.py中，我使用了以下代码来使用此模型。

with tf.Graph().as_default():
        sess = tf.Session()
        with sess.as_default():
            rnn = TextRNN(...)
            ...

            #training step
            def train_step(x_batch, y_batch...):
                feed_dict = {rnn.input_data:x_batch,rnn.output_label:y_batch,rnn.dropout_rate:0.5}
                sess.run(feed_dict)
                ...
            #testing step
            def test_step(x_batch, y_batch...):
                feed_dict = {rnn.input_data:x_batch,rnn.output_label:y_batch,rnn.dropout_rate:0.5}
                sess.run(feed_dict)

我的问题是在测试步骤中如何冻结模型？ 我知道如果运行训练步骤，该模型的权重将被更新。 但是当我运行测试步骤时，我不再想要更新权重了，我只想获得预测的结果？ 我应该如何修改我的代码以实现此目的？

Answer 1

要训​​练模型，您需要定义一个训练来运行模型， 例如 train_op = tf.train.AdamOptimizer(1e-4).minimize(loss_op)意味着每次您运行train_op它都会进行AdamOptimizer的一步在loss_op ，它将更新变量。

但是，如果要评估模型，只需运行output_op即可得到结果。 TensorFlow将仅运行图表中所需的部分，而不会更多。 所以，当你问output_op或loss_op它不会改变的变量。

您可能会发现此页面有助于了解更多内容在TensorFlow中的工作方式。