#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