Python 如何使用tensorflow复制经过训练的模型？

我有一个课程，有一个模型规范和一些方法来训练和评估模型。我想复制一个经过训练的对象，我尝试了

copy.deepcopy（）

，但没有成功

下面的代码只是一个示例，但我希望它适用于使用以下相同思想的任何模型：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import argparse
import sys
import copy
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
FLAGS = None

class Model():

    def __init__(self):
        self.x = tf.placeholder(tf.float32, [None, 784])
        self.W = tf.Variable(tf.zeros([784, 10]))
        self.b = tf.Variable(tf.zeros([10]))
        self.y = tf.matmul(self.x, self.W) + self.b
        self.y_ = tf.placeholder(tf.float32, [None, 10])
        self.cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=self.y_, logits=self.y))
        self.train_step = tf.train.GradientDescentOptimizer(0.5).minimize(self.cross_entropy)

    def train(self, mnist, sess):
        for _ in range(1000):
            batch_xs, batch_ys = mnist.train.next_batch(100)
            sess.run(self.train_step, feed_dict={self.x: batch_xs, self.y_: batch_ys})

    def test(self, mnist, sess):
        self.correct_prediction = tf.equal(tf.argmax(self.y, 1), tf.argmax(self.y_, 1))
        self.accuracy = tf.reduce_mean(tf.cast(self.correct_prediction, tf.float32))
        print(sess.run(self.accuracy, feed_dict={self.x: mnist.test.images, self.y_: mnist.test.labels}))

def main(_):
    # Import data
    mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
    m = Model()
    sess = tf.InteractiveSession()
    tf.global_variables_initializer().run()
    m.train(mnist, sess)
    copy_of_m = copy.deepcopy(m)  # DOES NOT WORK !
    m.test(mnist, sess)
    copy_of_m.test(mnist, sess)

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data', help='Directory for storing input data')
    FLAGS, unparsed = parser.parse_known_args()
    tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)

在这个线程中，您可以使用

从复制导入复制

并执行

复制（模型）

而不是深度复制

---

您还可以使用

tf.keras.models.clone\u model

并将另一个模型的权重加载到您的复制模型中。

，如de1在注释中所述

---

TensorFlow变量存在于图形中，不能单独序列化/去序列化

您不能使用

deepcopy

简单地复制

tensorflow

模型，因为

变量

位于图形内部。尽管

变量本身无法复制（如果复制它们，您将收到此异常
类型错误：无法pickle\u thread.RLock对象
），您可以使用
来复制它们的值。比如说,

tf.reset_default_graph()

class Model():

    def __init__(self):
        
        self.normal = 2
        self.x = tf.ones([1,2])
        self.W = tf.Variable(tf.zeros([2, 2]))
        self.b = tf.Variable(tf.zeros([2]))
        self.y = tf.matmul(self.x, self.W) + self.b
        self.train_step = tf.train.GradientDescentOptimizer(0.5).minimize(self.y)
        self.inside_tf = ['W','b','x','y','train_step']
        
    def __getstate__(self):
        
        for item in self.inside_tf:
            setattr(self,'%s_val' % item,sess.run(getattr(self,item))) 
        state = self.__dict__.copy()
        for item in self.inside_tf:
            del state[item]
        return state

    def __setstate__(self, state):
        
        self.__dict__.update(state)

# Import data
m = Model()
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()

copy_of_m = copy.deepcopy(m)

通过运行此脚本可以看到，在酸洗（复制之前）之前，在
\uuuu getstate\uuuu
方法中，我们首先保存
变量
s的值，然后从
self.\uu dict\uuu
的副本中删除它们。因此，在酸洗（复制）时，只会酸洗
变量
s的值

通过运行
[item for item in dir（copy_of_m）if item[：2]！=''u_']
，您可以看到对象
copy_of_m
具有属性
[W_val'，b_val'，inside_tf'，normal'train_step_val'，x_val'，y_val']
。虽然像
W_val
这样的属性不是
tensorflow
变量
s，但是很明显，
变量
s的值对我们来说是最重要的。
你试过tf.identity（m）吗？tensorflow变量存在于一个图中，不能单独序列化/去序列化。看见