Tensorflow:具有不同类别数的新数据集上的Finetune预训练模型

如何在新数据集的tensorflow中微调预训练模型？在Caffe中,我可以简单地重命名最后一层并为随机初始化设置一些参数.张量流中有类似的东西吗？

假设我有一个检查点文件(deeplab_resnet.ckpt)和一些代码,用于设置计算图,我可以在其中修改最后一层,使得它具有与新数据集具有类相同的输出数量.

然后我尝试像这样开始会话:

sess = tf.Session(config=config)
init = tf.initialize_all_variables()

sess.run(init)

trainable = tf.trainable_variables()
saver = tf.train.Saver(var_list=trainable, max_to_keep=40)
saver.restore(sess, 'ckpt_path/deeplab_resnet.ckpt')

然而,这在调用saver.restore函数时给出了一个错误,因为它期望与保存它的图形结构完全相同.我怎样才能加载除'ckpt_path/deeplab_resnet.ckpt'文件中最后一层以外的所有权重？我也试过更改Classification图层名称,但没有运气...

我正在使用tensorflow-deeplab-resnet模型