Python TensorFlow：使用不同的损失函数恢复训练

这个问题的精神与我的相似，但我就是不能让它工作，所以我需要一些帮助

目标：使用TensorFlow和一个相当粗糙的损失函数预先训练网络，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

尝试接近：在预训练阶段后，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。下面我添加了一个极简的非工作示例：

# 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

---

我尝试了多种组合，包括在重新启动

tf.Session（）

之前或之后重新定义

train\u步骤，以及加载/重命名各种其他变量。主要的问题是，我对自己正在做的事情，或者错误的真正含义一无所知，而我的随机游走并没有让我取得任何进展。
在随机游走了一段时间后，我发现以下解决方案对我有效：你可以简单地定义第二个优化函数-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()

如果您认为其他解决方案更可取，请评论/回答