我想知道是否有一种方法可以为不同的层使用不同的学习率,就像Caffe中的那样.我正在尝试修改预先训练的模型并将其用于其他任务.我想要的是加快新增加的层的训练,并使训练好的层保持低学习率,以防止它们被扭曲.例如,我有一个5-conv层预训练模型.现在我添加一个新的转换层并对其进行微调.前5层的学习率为0.00001,最后一层的学习率为0.001.知道怎么做到这一点？
我很好奇image_summary是如何工作的.有一个名为max_images的参数,用于控制显示的图像数量.但是,总结似乎只显示一批中的图像.如果我们使用更大的max_iamges值,我们将只查看批次中的更多图像.有没有办法可以查看每批产品中的一张图片？
我创建了一个数据集并将其保存到TFRecord文件中.事情是图片有不同的大小,所以我想保存大小以及图像.所以我使用了TFRecordWriter并定义了以下功能:
example = tf.train.Example(features=tf.train.Features(feature={
'rows': _int64_feature(image.shape[0]),
'cols': _int64_feature(image.shape[1]),
'image_raw': _bytes_feature(image_raw)}))
我希望我可以使用TFRecordReader读取和解码图像,但问题是我无法从文件中获取行和列的值,因为它们是张量.那么我该如何动态地读取大小并相应地重塑图像.多谢你们