Neural network 如何实际执行已保存的TensorFlow模型？

这里是Tensorflow新手。我正在尝试建立一个RNN。我的输入数据是一组大小为

instance_size

的向量实例，表示一组粒子在每个时间步的（x，y）位置。（因为实例已经有语义内容，它们不需要嵌入。）目标是在下一步学习预测粒子的位置

根据所包含的RNN代码，我创建了一个大致如下的模型（省略了一些细节）：

inputs，self.\u input\u data=tf.placeholder（tf.float32，[batch\u size，num\u steps，instance\u size]）
self.\u targets=tf.placeholder（tf.float32，[batch\u size，num\u steps，instance\u size]）
使用tf.variable_scope（“lstm_cell”，reuse=True）：
lstm_cell=tf.nn.rnn_cell.BasicLSTMCell（隐藏_大小，忽略_偏差=0.0）
如果是培训和配置保持问题<1：
lstm_单元=tf.nn.rnn_单元.下拉式振打器(
lstm_单元格，输出_keep_prob=config.keep_prob）
cell=tf.nn.rnn\u cell.MultiRNNCell（[lstm\u cell]*config.num\u层）
self.\u初始\u状态=cell.zero\u状态（批处理大小，tf.float32）
从tensorflow.models.rnn导入rnn
输入=[tf.挤压（输入[1]）
对于tf.split中的输入（1，num_步骤，输入）]
输出，状态=rnn.rnn（单元，输入，初始状态=self.\u初始状态）
输出=tf.reformate（tf.concat（1，输出），[-1，隐藏大小]）
softmax\u w=tf.get\u变量（“softmax\u w，[隐藏大小，实例大小]）
softmax_b=tf.get_变量（“softmax_b”，[instance_size]）
logits=tf.matmul（输出，softmax_w）+softmax_b
损失=位置误差平方损失(
tf.重塑（logits，[-1]），
tf.重塑（自我目标，[-1]），
)
自身成本=成本=tf.减少总量（损失）/批量
self.\u final\u state=状态

然后我创建一个

saver=tf.train.saver（）

，使用给定的

run\u epoch（）

方法对数据进行迭代训练，并使用

saver.save（）

写出参数。到目前为止，一切顺利

---

但是我如何实际使用经过训练的模型呢？本教程到此为止。从中，为了读回变量，我需要设置与保存变量时运行的图形完全相同的图形，或者有选择地恢复特定变量。无论哪种方式，这意味着我的新模型都需要输入大小

批量大小x数量步骤x实例大小

。但是，我现在只想在输入的size

num\u steps x instance\u size

上对模型进行一次向前传递，并读取单个

instance\u size

大小的结果（下一时间步的预测）；换句话说，我想创建一个模型，该模型接受的张量与我训练的张量不同。我可以通过将现有模型传递给我的预期数据

batch\u size

次来混淆视听，但这似乎不是最佳做法。最好的方法是什么

您必须创建一个具有相同结构但批处理大小为1的新图形，并使用

tf.train.Saver.restore（）导入保存的变量。您可以在ptb_word_lm.py中查看它们如何定义具有可变批量大小的多个模型：

例如，您可以有一个单独的文件，在该文件中，您使用所需的批处理大小实例化图形，然后恢复保存的变量。然后可以执行图形。
是否将图形中的输入保存为变量？这将是可变批量的问题。通常您只保存参数变量，结果图可以在批变量批维度上工作，无需修改。此问题总计+1！！！这就是我现在的观点：
inputs, self._input_data = tf.placeholder(tf.float32, [batch_size, num_steps, instance_size])
self._targets = tf.placeholder(tf.float32, [batch_size, num_steps, instance_size])

with tf.variable_scope("lstm_cell", reuse=True):
  lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(hidden_size, forget_bias=0.0)
  if is_training and config.keep_prob < 1:
    lstm_cell = tf.nn.rnn_cell.DropoutWrapper(
        lstm_cell, output_keep_prob=config.keep_prob)
  cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * config.num_layers)

self._initial_state = cell.zero_state(batch_size, tf.float32)

from tensorflow.models.rnn import rnn
inputs = [tf.squeeze(input_, [1])
          for input_ in tf.split(1, num_steps, inputs)]
outputs, state = rnn.rnn(cell, inputs, initial_state=self._initial_state)

output = tf.reshape(tf.concat(1, outputs), [-1, hidden_size])
softmax_w = tf.get_variable("softmax_w", [hidden_size, instance_size])
softmax_b = tf.get_variable("softmax_b", [instance_size])
logits = tf.matmul(output, softmax_w) + softmax_b
loss = position_squared_error_loss(
    tf.reshape(logits, [-1]),
    tf.reshape(self._targets, [-1]),
)
self._cost = cost = tf.reduce_sum(loss) / batch_size
self._final_state = state