Python 在tensorflow中使用预先训练的目标检测模型。使用了哪些参数？

我想知道如何在tensorflows对象检测repo中使用预先训练的模型。我不确定我是否理解正确

这是对以下问题的扩展：

我的想法：
Tensorflow基于配置文件构建模型。现在，我们来看看预先训练好的模型，并在每一层上迭代。如果一个图层在两个名称之间匹配，则参数/权重将保留，如果该图层不匹配，则不保留

假设我想使用ssd mobilenet v1 coco的预培训模型。我的新型号有100门课。tf所做的是，它用旧值初始化新模型前90个类对应的卷积层，同时在训练开始时为其他类选择随机值。现在，如果我的新模型只有10个类，那么这些类是用预先训练好的coco模型的前10个类初始化的

或

---

对应于类的特定卷积层与预训练模型的形状不匹配，因此不保留？因为在SSD中，用于确定分数/类别/方框坐标值的卷积包含在多个卷积层中，每个卷积层具有对应于不同值的多个滤波器

正如您自己所说，如果层不相同，则它不是从检查点/预先训练的模型加载的，而是初始化的。 如果更改类的数量，则更改相应的层，无论它是完全连接的（例如，输出神经元的数量）还是卷积（通道的数量）。 因此，如果更改类的数量，则会初始化所有受影响的层