1回答

正十七

2018-08-22

已采纳

restore的是模型参数，图还是需要自己来构建的。

restore是将checkpoint中的参数恢复进来，也就是将checkpoint中的某些或者全部的参数值载入进来，我理解他的读入是依照参数名去进行读取的。参数名规范就是name_scope1/name_scope2/.../variable_name, 当然，在构建图的时候，需要保证自己构建的图和别人的checkpoint中的参数名称保持一致。

在restore的时候，init不是必须的，但之前做了init后在restore相当于覆盖。所以也没有关系。

eval_ops是你在构建图的时候自行添加的，我们需要的是别人训练好的参数值，模型图中有些和参数值有关，比如卷积层，全链接层，这些部分我们不能擅自修改超参数（卷积核大小，卷积数目等），但对于和参数无关的部分，比如train_op, loss, accuracy, 你可以自行定义。

我理解，构建图是在代码中做的。所以如果你用的别人的图，那么你肯定会有别人的代码了。这样，你可以改他的源码来修改是否可以train。

0

2

xue109196

谢谢老师，我明白了，这两天我也做了restore这方面的训练，貌似还是完全和自己的网络有关系，取完weight和bias后还是看自己要怎么用。 老师能再追问一下restore这方面的问题吗？ 'train_op/beta2_power': [], 'dense/bias/Adam_1': [10], 'train_op/beta1_power': [], 'dense/bias/Adam': [10], 'dense/kernel/Adam': [110592, 10], 'dense/bias': [10], 'conv3_2/kernel/Adam_1': [3, 3, 32, 32], 'conv3_2/bias/Adam_1': [32], 'dense/kernel': [110592, 10], 这是我的restore的列表的一部分。请问'dense/kernel/Adam': [110592, 10],这一部分存的是gradient吗？为什么optimizer在每一层都存另外的一份参数？这是什么原理？

2018-08-22

共2条回复