我们如何训练两个tensorflow模型，其中一个是预先训练(冻结)的网络？

训练两个 TensorFlow 模型，其中一个是预先训练（冻结）的网络，可以按照以下步骤进行：

1. 确定模型架构：首先，需要确定两个模型的架构，包括网络层次结构、激活函数、损失函数等。可以使用 TensorFlow 提供的高级 API（如 Keras）或自定义模型。
2. 数据准备：准备用于训练的数据集。数据集应包含输入特征和相应的标签。确保数据集经过适当的预处理和划分，以便用于训练和验证。
3. 构建模型：使用 TensorFlow 构建两个模型。其中一个模型是预先训练的网络，可以使用已经训练好的模型权重或预训练模型（如 ImageNet）进行初始化。另一个模型可以根据需求自定义。
4. 冻结预训练模型：将预训练的网络模型的权重设置为不可训练，即冻结模型。这样可以确保在训练过程中不会更新预训练模型的权重。
5. 编译模型：为两个模型选择适当的优化器和损失函数，并编译模型。可以根据任务类型选择不同的优化器（如 Adam、SGD）和损失函数（如交叉熵、均方误差）。
6. 训练模型：使用训练数据集对两个模型进行训练。对于预先训练的网络，由于权重已经冻结，只会更新自定义模型的权重。可以指定训练的批次大小、训练轮数等超参数。
7. 评估模型：使用验证数据集对两个模型进行评估，计算模型的准确率、损失值等指标。根据评估结果可以调整模型架构或超参数。
8. 使用模型：训练完成后，可以使用两个模型进行预测或推理。将新的输入数据传递给模型，获取模型的输出结果。

需要注意的是，以上步骤是一个基本的训练流程，具体实现可能会因任务类型、数据集和模型架构的不同而有所差异。

关于 TensorFlow 相关的产品和文档，腾讯云提供了以下推荐：

1. 腾讯云 AI 机器学习平台（AI Lab）：提供了丰富的机器学习和深度学习工具，包括 TensorFlow、PyTorch 等框架的支持。详情请参考：AI Lab 产品介绍
2. 腾讯云 ModelArts：提供了一站式的 AI 开发平台，支持 TensorFlow 模型的训练、部署和推理。详情请参考：ModelArts 产品介绍

请注意，以上推荐的产品和链接仅为示例，具体选择和使用根据实际需求和情况进行。