Python 使用Tensorflow对象检测API进行一定数量的步骤培训后，更改配置文件中的培训参数

到目前为止，我已经在一个数据集上培训了一个Inception Resnet v2模型，该模型的配置文件中有以下值，共61000个步骤：

adam\u优化器：{
学习率：{
手动步骤学习速率{
初始学习率：0.0003
时间表{
步骤：150000
学习率：.0001
}

现在，如果我想从现在开始降低我的模型的学习率，我将进行以下更改：

adam\u优化器：{
学习率：{
手动步骤学习速率{
初始学习率：0.0003
时间表{
步骤：60000
学习率：.0001
}

从检查点重新启动实际上会将我的模型的学习率从

0.0003

降低到

0.0001

，因为到目前为止它已经训练了60000多个步骤？

---

如果没有，还有其他方法可以实现这一点吗？

一种可能的方法是使用已经训练过的61000步模型文件作为微调检查点，然后您可以根据需要修改lr。在这种情况下，您基本上是从步骤1开始训练。

转到配置文件并搜索此节点，然后添加粗体线train\u配置：{num\u steps:5000

那么你的意思是，如果我使用经过训练的61000步模型文件作为微调检查点，我应该将行

初始学习率：

更改为

0.0001

，而不是

0.0003

，因为训练从步骤1开始？但为了澄清，我注意到如果我有一个检查点保存在61000，在我重新开始之后，下一步从61001开始，而不是1。所以这个步骤1使用了初始学习率>代码>或者在配置文件中的步骤60000之后设置的学习率（如果我在训练中在步骤60000之后设置了学习率衰减）？以下是我的建议，备份

model

文件夹中的所有文件，删除它们并重试。因为如果保存的model文件夹中有这样的文件，TensorFlow对象检测将从上次保存的检查点自动恢复。至于学习率，如果从步骤1开始，则应该是

初始值收入率

好的，我会试试。我的疑问是，如果我从上一个检查点恢复（步骤61001），它将被解释为61001而不是步骤1，对吗？如果是这样，那么我认为学习率应该是0.0001。请让我知道我是否正确理解了这一点。是的，你是对的。直接恢复将从步骤61001开始，给你1e-4Hi NobDev的学习率，这如何回答问题？