Python 如何将可训练的tensorflow变量转换为不可训练的tensorflow变量？

我需要恢复一个DNN（VGG16Net），并使用迁移学习构建另一个网络。所以在这里，我需要将一些过滤器、偏差变量从可训练的tensorflow变量转换为不可训练的变量（我使用的是原生tensorflow框架，而不是keras或任何更高级别的包）

例如，从卷积层4_1获取权重 我曾经

conv4\u 3\u filter=sess.graph.get\u tensor\u by\u name（'conv4\u 3/filter:0'））

但是变量“conv4_3_filter”始终是可训练的变量。 所以，在这里，我试图找到一种通用的方法，将任何tensorflow变量从可训练变量转换为不可训练变量。

---

如何解决这个问题？

我认为不可能修改

tf.Variable

的

trainable

属性。但是，有多种变通方法

假设您有两个变量：

将tensorflow导入为tf
v1=tf.Variable（tf.random_normal（[2,2]），name='v1'）
v2=tf.Variable（tf.random_normal（[2,2]），name='v2'）

当您使用

tf.train.Optimizer

类及其子类进行优化时，默认情况下，它从

tf.GraphKeys.TRAINABLE_variables

集合中获取变量。默认情况下，使用

trainable=True

定义的每个变量都会添加到此集合中。您可以做的是清除此集合，并仅将您希望优化的变量附加到其中。例如，如果我只想优化

v1

，而不想优化

v2

：

var\u list=tf.trainable\u variables（）
打印（变量列表）
# [,
#  ]
tf.get_default_graph（）.clear_集合（tf.GraphKeys.TRAINABLE_变量）
已清除变量列表=tf.可训练变量（）
打印（已清除变量列表）
# []
tf.add_到_集合（tf.GraphKeys.TRAINABLE_变量，var_列表[0]）
更新的变量列表=tf.trainable变量（）
打印（更新的变量列表）
# []

另一种方法是使用优化器的

var\u list

关键字参数，并传递您希望在培训期间更新的变量（在执行

train\u op

期间）：

optimizer=tf.train.GradientDescentOptimizer（0.01）
列车运行=优化器。最小化（损失，变量列表=[v1]）

如果可能的话，我不知道如何将可训练变量转换为不可训练变量，但是您可以让变量保持可训练状态，但只训练其他变量，请参见示例。