您可以冻结model.ckpt个元（检查点文件）文件，这些文件存储在以下位置：

C:\tensorflow1\models\research\object_detection\training

这些检查点文件在训练期间会经常存储，因此当错误减少时，您可以检查该文件的详细信息，然后将同一检查点冻结为最终模型。

要冻结模型，可以使用以下命令：

python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/faster_rcnn_inception_v2_pets.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory inference_graph

XXXX是文件名model.ckpt-XXXX.meta中的数字。 在我的情况下，它是model.ckpt-1970.meta，XXXX = 1970。

在following image中检出我的文件夹结构。

据我所知，维诺德的答案与所提问题无关。 如果要冻结模型以导出模型，则可以使用export_inference_graph。 但我知道您希望在培训期间冻结变量。

正如您自己提到的那样，您可以在update_trainable_variables或freeze_variables中指定变量，以便选择哪些变量将被训练而哪些变量将不被训练。 本质上，这些变量被馈送到图形上的filter_variables函数，以便选择要包括在训练中或从训练中排除的变量。从描述中可以看出，它期望使用正则表达式的模式。为了知道变量的名称，包括或不包括它们-您可以检查图形。一种方法是使用TensorBoard的“图形”选项卡。

另一方面，我想说这可能不是您所要解决的方案。在培训课程开始时，自然会期望高损失或增加损失。但是，如果在进行了完整的培训之后，损失有所波动-那么您应该检查波动的幅度。如果波动很小，那是很自然的，如果幅度很大-那么训练配置中可能出了点问题。只能通过更多信息来进一步分析问题出在哪里，例如配置文件，损耗图，数据示例等。