python - TensorFlow:使用不同的损失函数恢复训练

Question

这个问题与 this one 具有相似的精神，但我根本无法让它工作，所以我需要一些帮助...

目标:使用具有相当粗略的损失​​函数的 TensorFlow 预训练网络，以便所有权重/偏差都在正确的范围内。然后，继续使用更复杂的损失函数进行训练以微调模型。

尝试的方法:在预训练阶段之后，保存模型(使用tf.train.Saver())，然后立即重新加载变量并更改损失函数。下面我添加了一个简约的非工作示例:

# Crude loss function
loss_fn_1 = tf.reduce_mean(tf.losses.huber_loss(labels=box_in, predictions=box_out), name="loss")

# Less crude loss function
loss_fn_2 = tf.reduce_mean(model.IOU_loss(box_in, box_out), name="IOU_loss")

train_step = tf.train.AdamOptimizer(1e-4).minimize(loss_fn_1)
saver = tf.train.Saver()

# First round of training
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # Train hard, fight easy
    saver.save(sess, savefile)

# Second round of training
with tf.Session() as sess:

    saver = tf.train.import_meta_graph(savefile_meta)
    saver.restore(sess, tf.train.latest_checkpoint(savedir))

    graph = tf.get_default_graph()
    IOU_loss = graph.get_tensor_by_name("IOU_loss:0")

    train_step = tf.train.AdamOptimizer(1e-4).minimize(IOU_loss)

    # 'Eye of the tiger'-type of training

我尝试了在重新启动 tf.Session() 之前或之后重新定义 train_step 以及加载/重命名各种其他变量的各种组合。主要问题是我对自己在做什么或错误的真正含义一无所知，而且我的随机游走并没有带我到任何地方。

Answer 1

在随机游走一段时间后，我发现了以下对我有用的解决方案:您可以简单地定义第二个优化函数 - 请参见下面的示例

# Crude loss function
loss_fn_1 = tf.reduce_mean(tf.losses.huber_loss(labels=box_in, predictions=box_out), name="loss")

# Less crude loss function
loss_fn_2 = tf.reduce_mean(model.IOU_loss(box_in, box_out), name="IOU_loss")

trainer1 = tf.train.AdamOptimizer(1e-4).minimize(loss_fn_1)
trainer2 = tf.train.AdamOptimizer(1e-4).minimize(loss_fn_2)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    # First round of training
    for i in range(100):
        trainer1.run()

    # Second round of training
    for i in range(1000):
        trainer2.run()

如果您觉得其他解决方案更可取，请发表评论/回答。