Python 如何恢复模型（图和权重）并微调一些变量？

我想用tensorflow对数据集_a上的模型进行预训练，用tf.train.Saver将模型保存到检查点文件中。然后下次恢复模型，并使用数据集\B微调图中的一些变量（即并非所有可训练的\u变量）

在预培训阶段（pretrain.py），变量定义如下：

with tf.variable_scope("finetune"):
    full_connect_W = tf.get_variable(name="full_connect_W", shape=[n_hidden, num_class], initializer=tf.random_normal_initializer())

在微调阶段（finetune.py），我必须为'svar\u列表获取变量。以下代码显示raise VALUE ERROR（升高值错误）：

with tf.variable_scope("finetune") as scope:
    scope.reuse_variables()
    full_connect_w = tf.get_variable("full_connect_W:0")

ValueError:变量finetune/full_connect_W:0不存在，或者不是使用tf.get_Variable（）创建的。您的意思是在VarScope中设置重用=无吗？ 在这里输入代码

即使我删除了变量名中的后缀“：0”，同样的错误也会再次出现

ValueError:变量finetune/full_connect_W不存在，或者不是使用tf.get_Variable（）创建的。您的意思是在VarScope中设置重用=无吗

我设法以一种丑陋的方式解决了这个问题。我还原了检查点文件，发现finetune/full\u connect\u W:0是中的第一项。我得到的变量如下：

full_connect_W = tf.trainable_variables()[0]

• 因此，第一个问题是：有没有像获取变量或通过xxx获取张量这样的方法来获取我想要微调的变量

---

另一个问题是，当我尝试使用finetune阶段（finetune.py）中定义的新优化器来训练模型时，出现了一些错误。似乎优化器需要初始化

full_connect_W = tf.trainable_variables()[0]
full_connect_b = tf.trainable_variables()[1]
finetune_varlist = [full_connect_W, full_connect_b]
cost = g.get_tensor_by_name("cost:0")
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost, var_list=finetune_varlist)

tensorflow.python.framework.errors.FailedPremissionError:尝试使用未初始化的值beta1\u power\u 2

[[Node:beta1_power_2/read=IdentityT=DT_FLOAT，[u class=[“loc:@finetune/full_connect_W”]，[u device=“/job:localhost/replica:0/task:0/gpu:0”] 由操作“beta1\u power\u 2/read”引起，定义为：

文件“finetune\lstm\u videotitle\u test.py”，第72行，在 优化器=tf.train.AdamOptimizer（学习率=学习率）。最小化（成本，变量列表=微调变量列表）

但是如果我用tf.initialize_all_variables（）初始化，那么在预训练阶段训练的所有权重（变量）都将重置

• 因此，第二个问题是：如何微调特定变量并固定其他变量