#tensorflow 中從ckpt文件中恢復指定的層或將指定的層不進行恢復:#tensorflow 中不同的layer指定不同的學習率 with tf.Graph().as_default():		#存放的是需要恢復的層參數	 variables_to_restore = []	 #存放的是需要訓練的層參數名,這里是沒恢復的需要進行重新訓練,實際上恢復了的參數也可以訓練  variables_to_train = []  for var in slim.get_model_variables():   excluded = False   for exclusion in fine_tune_layers:   #比如fine tune layer中包含logits,bottleneck    if var.op.name.startswith(exclusion):     excluded = True     break   if not excluded:    variables_to_restore.append(var)    #print('var to restore :',var)   else:    variables_to_train.append(var)    #print('var to train: ',var)    #這里省略掉一些步驟,進入訓練步驟:  #將variables_to_train,需要訓練的參數給optimizer 的compute_gradients函數  grads = opt.compute_gradients(total_loss, variables_to_train)  #這個函數將只計算variables_to_train中的梯度  #然后將梯度進行應用:  apply_gradient_op = opt.apply_gradients(grads, global_step=global_step)  #也可以直接調用opt.minimize(total_loss,variables_to_train)  #minimize只是將compute_gradients與apply_gradients封裝成了一個函數,實際上還是調用的這兩個函數  #如果在梯度里面不同的參數需要不同的學習率,那么可以:   capped_grads_and_vars = []#[(MyCapper(gv[0]), gv[1]) for gv in grads_and_vars]  #update_gradient_vars是需要更新的參數,使用的是全局學習率  #對于不是update_gradient_vars的參數,將其梯度更新乘以0.0001,使用基本上不動 	for grad in grads: 		for update_vars in update_gradient_vars: 			if grad[1]==update_vars: 				capped_grads_and_vars.append((grad[0],grad[1])) 			else: 				capped_grads_and_vars.append((0.0001*grad[0],grad[1]))  	apply_gradient_op = opt.apply_gradients(capped_grads_and_vars, global_step=global_step)  	#在恢復模型時:   with sess.as_default():    if pretrained_model:    print('Restoring pretrained model: %s' % pretrained_model)    init_fn = slim.assign_from_checkpoint_fn(    pretrained_model,    variables_to_restore)    init_fn(sess)   #這樣就將指定的層參數沒有恢復