如何使用预先训练的变量初始化TensorFlow估计器模型函数中的权重？

我想使用TensorFlow的tf.Estimator API包装我的模型，因此我有以下

模型\u fn

：

    def model_fn(features, labels, mode, params):
        # Load vocabulary
        n_vocab = params['n_vocab']

        if mode != tf.estimator.ModeKeys.PREDICT:
            labels = tf.reshape(labels, (-1, 1))

        embedding = tf.Variable(tf.random_uniform((tf.cast(n_vocab, tf.int32),
                                                  tf.cast(params['embed_space'], tf.int32)), 0, 1), name='embedding')
        embedding_layer = tf.nn.embedding_lookup(embedding, features[INPUT_TENSOR_NAME], name='embedding_layer')

        ...

它初始化嵌入变量，并执行其他一些操作。现在，我不想使用

tf.random_uniform

初始化这些权重，而是使用我以前训练过的保存模型的权重，并将其冻结，使其无法训练。如何实现这一点？

您可以使用。Estimator通过添加一个名为

warm\u start\u的参数，提供了一种简单的创建方法

创建估计器时，应传递保存的模型目录：

estimator = tf.estimator.Estimator(
    model_fn, model_dir, warm_start_from=SAVED_MODEL_DIR)

请注意，您可能需要保存模型的未冻结版本。
甚至在使用“tf.estimator.LinearRegressor”开始训练之前，我们需要初始化定义模型的权重，tensorflow中的哪个API会这样做？你能给我指一下吗？tf本身可能在做，但如何做以及从何处开始？。感谢您给出了在哪里加载预先训练的重量的答案，但是tf在第一次跑步中从哪里开始还不清楚。