Python TFLearn:依次加载2个不同保存的模型时出错
我有两个不同的神经网络模型,使用TFLearn进行训练和保存。当我运行每个脚本时,保存的模型被正确加载。我需要一个系统,其中,第二个模型应该在第一个模型的输出之后调用。 但是,当我在加载第一个模型后尝试加载第二个模型时,会出现以下错误: NotFoundError(回溯见上文):在检查点中找不到键val_loss_2 [[Node:save_6/RestoreV2_42=RestoreV2[dtypes=[DT_FLOAT],[u device=“/job:localhost/replica:0/task:0/cpu:0”]([u arg_save_6/Const_0_0,save_6/RestoreV2_42/tensor_name,save_6/RestoreV2_42/shape_和_切片)]] 如果我注释掉第一个模型的加载,或者如果我单独运行这两个脚本,那么第二个模型将正确加载。知道为什么会发生这种错误吗 代码结构类似于Python TFLearn:依次加载2个不同保存的模型时出错,python,neural-network,tflearn,Python,Neural Network,Tflearn,我有两个不同的神经网络模型,使用TFLearn进行训练和保存。当我运行每个脚本时,保存的模型被正确加载。我需要一个系统,其中,第二个模型应该在第一个模型的输出之后调用。 但是,当我在加载第一个模型后尝试加载第二个模型时,会出现以下错误: NotFoundError(回溯见上文):在检查点中找不到键val_loss_2 [[Node:save_6/RestoreV2_42=RestoreV2[dtypes=[DT_FLOAT],[u device=“/job:localhost/replica:0
from second_model_file import check_second_model
def run_first_model(input):
features = convert_to_features(input)
model = tflearn.DNN(get_model())
model.load("model1_path/model1") # relative path
pred = model.predict(features)
...
if pred == certain_value:
check_second_model()
second\u model\u file.py
类似:
def check_second_model():
input_var = get_input_var()
model2 = tflearn.DNN(regression_model())
model2.load("model2_path/model2") # relative path
pred = model2.predict(input_var)
#other stuff ......
模型保存在不同的文件夹中,因此每个模型都有自己的
检查点
文件好吧,我找到了解决方案。这是隐藏在讨论这个问题。
在构建第二个网络和模型之前,我使用了tf.reset\u default\u graph()。希望这对其他人也有帮助
新代码:
import tensorflow as tf
def check_second_model():
input_var = get_input_var()
tf.reset_default_graph()
model2 = tflearn.DNN(regression_model())
model2.load("model2_path/model2") # relative path
pred = model2.predict(input_var)
虽然我直观地理解了这个解决方案的工作原理,但如果有人能更好地解释为什么它设计成这样,我会很高兴。好吧,我找到了解决方案。这是隐藏在讨论这个问题。
在构建第二个网络和模型之前,我使用了tf.reset\u default\u graph()。希望这对其他人也有帮助
新代码:
import tensorflow as tf
def check_second_model():
input_var = get_input_var()
tf.reset_default_graph()
model2 = tflearn.DNN(regression_model())
model2.load("model2_path/model2") # relative path
pred = model2.predict(input_var)
虽然我直观地理解了这个解决方案的工作原理,但如果有人能更好地解释为什么它是这样设计的,我会很高兴。什么是回归模型()
?什么是回归模型()
?