如何在tensorflow中使用预训练模型作为不可训练子网络？

我想训练一个包含子网络的网络，我需要在训练期间保持固定。其基本思想是在预先训练好的网络（inceptionV3）上预加和附加一些层

并为我的任务运行培训流程，而不更改预先培训的流程。 我还需要直接在预先培训的网络的某一层上分支。例如，对于inceptionV3，我喜欢从conv 299x299到最后一个池层或从conv 79x79到最后一个池层使用它。

是否训练“层”取决于该层中使用的变量是否使用渐变更新。如果您正在使用该接口优化网络，那么您就不能将您想要固定的层中使用的变量传递到

minimize

函数，即

opt.minimize(loss, <subset of variables you want to train>)

opt.最小化（损失，）

如果您直接使用

tf.gradients

函数，则将要固定的变量从第二个参数中删除到

tf.gradients

---

现在，如何“直接分支”到预先训练的网络层取决于该网络的实现方式。我只需找到您正在谈论的299x299层的

tf.Conv2D

调用，并将新层的输出作为其输入传递，在输出端，找到79x79层，将其输出作为新层的输入。

注意，人们获得要训练的变量集的一种方法是使用tf.trainable_variables（）函数获取使用trainable=True（默认值）创建的变量集合。在构造变量时，可以通过传递trainable=False从该集合中排除变量：这里还有一个问题与仅更新某些层的变量有关：如何设置每个层的输入？我是否需要使用sess.run函数，例如在classify_图像示例中？

opt.minimize(loss, <subset of variables you want to train>)