Api de detección de objetos TensorFlow: la clasificación de pesos se inicializa al cambiar el número de clases en el entrenamiento utilizando modelos pre-entrenados

Quiero utilizar no solo los pesos pre-entrenados del extractor de características, sino también los pesos pre-entrenados del clasificador / localización de las capas del mapa de características para el ajuste fino de los modelos de detección de objetos de flujo tensor (SSD) utilizando la API de detección de objetos de flujo tensor. Cuando mi nuevo modelo tiene un número diferente de clases del modelo pre-entrenado que estoy usando para el punto de control de ajuste fino, ¿cómo manejaría la API de detección de objetos TensorFlow los tensores de peso de clasificación?

Al ajustar con precisión los modelos pre-entrenados en modelos de detección de objetos ML como SSD, puedo inicializar no solo los pesos del extractor de características con los pesos pre-entrenados sino también los pesos de la capa de localización del mapa de características y los pesos de la capa de clasificación, solo con este último Elegir el peso de clase pre-entrenado de elección, para que pueda disminuir el número de clases que el modelo puede identificar inicialmente (por ejemplo, desde 90 clases de MSCOCO a cualquiera de las clases de elección dentro de esas 90 clases como autos y peatones solamente, etc.)
https://github.com/pierluigiferrari/ssd_keras/blob/master/weight_sampling_tutorial.ipynb
Así es como se hace en los modelos keras (es decir, en archivos h5) y también quiero hacer lo mismo en la API de detección de objetos Tensorflow. Parece que en el momento del entrenamiento puedo especificar la cantidad de clases que tendrá el nuevo modelo en el archivo de configuración protobuf, pero como soy nuevo en la API (y en el flujo de tensión) no he podido seguir la estructura de origen y comprender cómo se manejará ese número en el ajuste fino. La mayoría de los modelos SSD que conozco simplemente ignoran e inicializan el tensor de peso de clasificación en caso de que la forma de peso de clase del modelo pre-entrenado sea diferente de la forma de peso de clasificación del nuevo modelo, pero quiero conservar los pesos de clasificación necesarios y entrenarlos. Además, ¿cómo haría eso dentro de la estructura de la API?
¡Gracias!

Cuando leí el código, encontré el código responsable, que solo retiene los pesos del modelo pre-entrenado si la forma de las capas entre el modelo recién definido y el modelo pre-entrenado coinciden. Entonces, si cambio el número de la clase, la forma de las capas clasificadoras cambia y los pesos pre-entrenados no se retienen.

https://github.com/tensorflow/models/blob/master/research/object_detection/utils/variables_helper.py#L133