TensorFlow Object Detection API中复用分类层及冻结预训练权重的疑问

先给你明确的结论：当你在train.config中添加freeze_variables: ".*FeatureExtractor.*"配置后，特征提取器的权重会在训练全程保持和预训练模型（SSD_inception_v2_coco）完全一致，不会有任何参数更新。这个正则表达式会匹配所有属于特征提取器模块的变量，让优化器完全跳过对它们的梯度计算和权重更新操作。

不过结合你提到的“类别数量”相关的隐含疑问（这也是这类场景下的常见痛点），补充两点：

• 如果你的任务类别和预训练模型的COCO 90类完全一致，那分类器的原始权重是可以保留的——只要你没有修改分类器相关的冻结配置，并且加载的是完整的预训练checkpoint。
• 但如果你的类别数量和COCO不同，那分类器的输出层权重必然会被重新初始化，因为预训练的输出层维度是对应90类的，没法直接适配你的自定义类别数。这种情况下，就算你想保留分类器的原始权重也做不到，除非你自己编写额外的权重迁移逻辑（API默认不支持这类操作）。

最后给个简单的验证方法：训练前后可以导出模型，对比特征提取器部分的权重参数值，或者在TensorBoard里监控这些变量的梯度变化——如果梯度一直为0，就说明特征提取器确实被成功冻结了。

内容的提问来源于stack exchange，提问作者WillSapgreen