最近研究了下如何使用tensorflow进行finetuning，相比于caffe，tensorflow的finetuning麻烦一些，记录如下：
1.原理
finetuning原理很简单，利用一个在数据A集上已训练好的模型作为初始值，改变其部分结构，在另一数据集B上（采用小学习率）训练的过程叫做finetuning。
一般来讲，符合如下情况会采用finetuning
- 数据集A和B有相关性
- 数据集A较大
- 数据集B较小
2.关键代码
在数据集A上训练的时候，和普通的tensorflow训练过程完全一致。但是在数据集B上进行finetuning时，需要先从之前训练好的checkpoint中恢复模型参数，这个地方比较关键，
需要注意只恢复需要恢复的参数，其他参数不要恢复，否则会因为找不到的声明而报错。以mnist为例子，如果我想先训练一个0-7的8类分类器，网络结构如下：
conv1-conv2-fc8(其他不带权重的pooling、softmaxloss层忽略)
然后我想用这个训练出的模型参数，在0-9的10类分类器上做finetuning，网络结构如下：
conv1-conv2-fc10
那么在从checkpoint中恢复模型参数时，我只能恢复conv1-conv2，如果连fc8都恢复了，就会因为找不到fc8的定义而报错
以上描述对应的代码如下：
1 if tf.train.latest_checkpoint('ckpts') is not None: 2 trainable_vars = tf.trainable_variables() 3 res_vars = [t for t in trainable_vars if t.name.startswith('conv')] 4 saver = tf.train.Saver(var_list=res_vars) 5 saver.restore(sess, tf.train.latest_checkpoint('ckpts')) 6 else: 7 saver = tf.train.Saver()
3.demo
利用mnist写了一个简单的finetuning例子，大家可以试试，事实证明，利用一个相关的已有模型做finuetuning比从0开始训练收敛的更快并且收敛到的准确率更高，