Tensorflow 如何将图层指定为"；“微调”；在TF对象检测API中？

我使用ssd\u mobilenet\u v1\u pets.config配置遵循TF对象检测API教程页面上的步骤

这是非常酷的，我能够训练一个自定义探测器使用我自己的图像。然而，由于整个培训过程在我看来是一个“黑匣子”，我想知道如何配置要微调的层，就像如何使用tensorflow/keras中的初始模型配置要重新培训的层一样

---

我认为，如果我有10000张图像而不是100张图像，那么需要微调的层可能（应该）会有所不同。

要微调特定层，必须冻结其余层。如果您知道要冻结的模型层的名称，则可以将其添加到配置文件的train部分的

freeze_variables

（），并在“.FeatureExtractor”前面添加“*”

例如，这：

train_config: {
...
freeze_variables: ".*FeatureExtractor."
}

---

将冻结更快R-CNN架构的

功能提取器的所有层。
非常感谢！如果我打印变量名，它们看起来像：“FeatureExtractor/InceptionV2/Mixed_4c/Branch_1/Conv2d_0a_1x1/BatchNorm/beta”。那为什么在“FeatureExtractor”之前的明星？嗨。很久以前，但我想我这么做只是为了确定，我冻结了每个名字中有“FeatureExtractor”部分的变量。如果在此之前没有任何带有前缀的变量，则可以省略它。谢谢。我这样问是因为我想冻结框预测器，而不是特性提取器。box预测器变量看起来像“BoxPredictor_4/ClassPredictor/weights”或“BoxPredictor_0/BoxEncodingPredictor/biases”。所以我用了“*BoxPredictor*”，但它似乎不起作用。你说“它似乎不起作用”是什么意思？变量的命名是否不同，或者结果是否与您预期的不同。通过短期思考，我真的无法想象这样一种场景：冻结框预测器是一个好主意，但通过“似乎不起作用”来训练特征提取器，我的意思是所有层似乎都经过了训练（与排除框预测器相反）。你是对的，我这样做的唯一原因是为了证实一个假设，即训练分类器可以大大提高网络的性能，而训练特征提取器却没有这么多。所以我只是想比较一下