我想不仅利用预训练的特征提取器权重，还利用特征图层的分类器/定位预训练权重来微调TensorFlow对象检测模型（SSD），使用TensorFlow对象检测API。当我的新模型的类别数量与用于微调检查点的预训练模型不同时，TensorFlow对象检测API将如何处理分类权重张量？
在微调如SSD的机器学习对象检测模型时，我不仅可以用预训练权重初始化特征提取器权重，还可以初始化特征图的定位层权重和分类层权重，后者只选择所需的预训练类别权重，这样我可以减少模型最初能识别的类别数量（例如，从90个MSCOCO类别减少到选择的类别，如仅限汽车和行人等）。
https://github.com/pierluigiferrari/ssd_keras/blob/master/weight_sampling_tutorial.ipynb
这是在Keras模型中（即h5文件中）实现的方法，我想在TensorFlow对象检测API中也实现相同的方法。似乎在训练时，我可以在配置protobuf文件中指定新模型将拥有的类别数量，但由于我对API（和TensorFlow）还不熟悉，我无法跟踪源代码结构并理解在微调时如何处理这个数量。我知道的大多数SSD模型在预训练模型的类别权重形状与新模型的分类权重形状不同时，会忽略并初始化分类权重张量，但我希望保留必要的分类权重并在此基础上进行训练。此外，我如何在API结构内实现这一点？
谢谢！
回答：
当我阅读代码时，我找到了负责的代码，只有当新定义的模型与预训练模型之间的层形状匹配时，才会保留预训练模型的权重。因此，如果我更改了类别数量，分类器层的形状会发生变化，预训练权重不会被保留。
