Python 如何解决重新启动tensorflow训练过程时f1值下降的问题？

我使用tensorflow来训练分类问题的模型。当我停止培训过程并再次重新启动时，培训的

f1

值会快速下降，然后上升。我不知道这种情况是否会影响我的模型的最终性能。我很难找到这个问题的答案，因为我使用了tensorflow的高级API，estimator

我的tensorflow版本是1.14.0，Python版本是2.7，我使用的是CentOS 7

以下是估计器API中要求的模型_fn的代码

def型号（功能、标签、模式、参数）：
“估计器的模型函数”
'''
#特征，特征\u掩码=特征[0]，特征[1]
#提升值错误（features.shape）
网络类型=参数['network']
#网络类型=config.network
如果网络类型==“开始”：
net\u func=起始网络
损失\u func=ModelLoss.start\u损失
metric\u func=ConfigMetrics.start\u metrics
elif网络_类型==‘音高’：
net\u func=俯仰网络
损耗\u func=functools.partial（ModelLoss.pitch\u损耗\u加权速度，
速度权重=参数[‘速度权重’]）
metric\u func=ConfigMetrics.pitch\u metrics
elif网络类型==“帧”：
net\u func=帧网络
loss\u func=ModelLoss.frame\u loss
metric\u func=ConfigMetrics.frame\u metrics
elif网络类型==“联合”：
net\u func=联合网络
loss\u func=ModelLoss.model\u loss
metric\u func=ConfigMetrics.model\u metrics
logits=net_func（特征，（mode==tf.estimator.ModeKeys.TRAIN），True）
#预测部分
probs=tf.nn.sigmoid（logits）
预测={
“probs”：probs，
}
#从特定模型文件路径还原参数。
restore\u hook=RestoreHook（参数['weight\u path']，['global\u step']）
如果参数['weight_path']：
#从两个模型恢复参数--起始和起始\u俯仰和帧
模型_路径=[x代表参数['weight_path']中的x。如果len（x）！=0，则拆分（'，'）
如果len（模型路径）>=2：
tf.train.init\u from\u检查点（模型路径[0]，
{'start/'：'start/'}）
tf.train.init_from_checkpoint（模型_路径[1]，
{'pitch/'：'pitch/'}）
如果len（model_路径）==3：
tf.train.init\u from\u checkpoint（模型路径[2]，
{'frame/'：'frame/'}）
如果mode==tf.estimator.ModeKeys.PREDICT：
返回tf.estimator.EstimatorSpec（模式=模式，预测=预测，
预测挂钩=[恢复挂钩]）
#火车部分
loss=loss\u func（标签、登录）+ModelLoss.regu loss（）
如果模式==tf.estimator.ModeKeys.TRAIN：
全局\u步骤=tf.train.get\u或\u create\u全局\u步骤（）
lr=参数[“初始学习率”]
#使用谷歌学习率设置
列车运行=tf.contrib.layers.optimize\u损耗(
name='training'，
损失=损失，
全局步=全局步，
学习率=lr，
学习率衰减率fn=functools.partial（tf.train.exponential衰减，衰减步长=20000，衰减率=0.98，阶梯=True），
clip_渐变=3.0，
优化器（Adam）
其他：
列车运行=无
#评价部分
度量=度量函数（标签、预测['probs']）
返回tf.estimator.estimator规范(
模式=模式，预测=预测，损失=损失，列车运行=列车运行，
评估度量操作=度量，
训练钩=[恢复钩]，
评估挂钩=[恢复挂钩]）
等级恢复挂钩（tf.train.SessionRunHook）：
''钩子用于从保存的模型恢复参数。
对于估计器，如果我们想从
保存的模型是我们自己指定的，我们应该使用这个
小提尔克。
用法：
在模型函数的返回值tf.estimator.estimator Spec中，
添加训练挂钩=[RestoreHook（权重路径，['global\u step']）]
'''
定义初始（自身、权重路径、排除）：
''准备保存的模式路径和不会恢复的变量列表
Args：
权重路径：str，模型文件路径。它可以包含一个或多个模型。
排除：列表，不恢复的变量列表。
'''
如果权重为U路径：
self.model_path=[x代表权重中的x_path.split（'，'），如果len（x）！=0]
self.var\u list=tf.contrib.framework.get\u variables\u to\u restore(
排除=排除）
如果len（自模型_路径）==1：
self.init\u fn=tf.contrib.framework.assign\u from\u checkpoint\u fn(
self.model\u路径[0]，self.var\u列表，忽略\u缺少\u vars=True）
其他：
self.init_fn=无
其他：
self.init_fn=无
创建会话后定义（self、session、coord=None）：
如果session.run（tf.train.get_或_create_global_step（））==0：
如果self.init_fn：
self.init_fn（会话）

以下是显示情况的图片：

---

整个模型代码非常大，因此我无法提供重新实现这种情况的代码。

欢迎使用StackOverflow。一般来说，你应该避免发布代码的链接-在提问之前尽量将问题归结为一个问题，并使用，而不是作为链接将该代码包含在你的答案中。欢迎使用StackOverflow。一般来说，你应该避免发布代码的链接——在提问之前，尽量将问题归结为一个问题，并使用，而不是作为链接，将该代码包含在你的答案中。