我需要冻结模型的某些部分，并只训练特定的变量。现在，使用低级API，我可以直接将var_list传递给tf.train.Optimizer.minimize方法。但是，当我使用TensorFlow Estimator时，我只能传递优化器本身，然后在Estimator的内部循环中使用它来最小化损失。

我能想到的唯一解决方案是定义一个自定义优化器，并覆盖Optimizer.minimize方法。类似这样：

def minimize(self, *args, **kwargs):    print("Inside...")    if not kwargs['var_list']:       kwargs['var_list'] = self.var_list    return super(MyOptimizer, self).minimize(*args, **kwargs)

现在，我期望在每个训练步骤中看到“Inside…”这句话被打印出来；特别是当我看到模型正常训练时。这似乎表明我的minimize函数被完全忽略了，我似乎无法弄清楚为什么会这样。

那么，覆盖minimize是否正确，或者使用Estimator有更好的方法来做到这一点？

回答：

您可以简单地通过指定model_fn函数来创建自定义的Estimator

    def model_fn(features, labels, mode):      logits = model_architecture(features)      loss = loss_function(logits, labels)      if mode == tf.estimator.ModeKeys.TRAIN:        optimizer = optimizer        train_op = optimizer.minimize(loss=loss,                                       global_step=global_step,                                      var_list=variables_to_minimize)      return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)