在使用tensorflow来训练一个模型的时候，有时候需要依靠验证集来判断模型是否已经过拟合，是否需要停止训练。

1.首先想到的是用tf.placeholder()载入不同的数据来进行计算，比如

def inference(input_):
  """
  this is where you put your graph.
  the following is just an example.
  """

  conv1 = tf.layers.conv2d(input_)

  conv2 = tf.layers.conv2d(conv1)

  return conv2


input_ = tf.placeholder()
output = inference(input_)
...
calculate_loss_op = ...
train_op = ...
...

with tf.Session() as sess:
  sess.run([loss, train_op], feed_dict={input_: train_data})

  if validation == True:
    sess.run([loss], feed_dict={input_: validate_date})

这种方式很简单，也很直接了然。

2.但是，如果处理的数据量很大的时候，使用 tf.placeholder() 来载入数据会严重地拖慢训练的进度，因此，常用tfrecords文件来读取数据。

此时，很容易想到，将不同的值传入inference()函数中进行计算。

train_batch, label_batch = decode_train()
val_train_batch, val_label_batch = decode_validation()


train_result = inference(train_batch)
...
loss = ..
train_op = ...
...

if validation == True:
  val_result = inference(val_train_batch)
  val_loss = ..


with tf.Session() as sess:
  sess.run([loss, train_op])

  if validation == True:
    sess.run([val_result, val_loss])

这种方式看似能够直接调用inference()来对验证数据进行前向传播计算，但是，实则会在原图上添加上许多新的结点，这些结点的参数都是需要重新初始化的，也是就是说，验证的时候并不是使用训练的权重。

3.用一个tf.placeholder来控制是否训练、验证。

def inference(input_):
  ...
  ...
  ...

  return inference_result


train_batch, label_batch = decode_train()
val_batch, val_label = decode_validation()

is_training = tf.placeholder(tf.bool, shape=())

x = tf.cond(is_training, lambda: train_batch, lambda: val_batch)
y = tf.cond(is_training, lambda: train_label, lambda: val_label)

logits = inference(x)
loss = cal_loss(logits, y)
train_op = optimize(loss)

with tf.Session() as sess:

  loss, _ = sess.run([loss, train_op], feed_dict={is_training: True})

  if validation == True:
    loss = sess.run(loss, feed_dict={is_training: False})

使用这种方式就可以在一个大图里创建一个分支条件，从而通过控制placeholder来控制是否进行验证。

以上这篇tensorflow 固定部分参数训练,只训练部分参数的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持python博客。