Python 什么'；有多个tf.Graph的意义是什么？

拥有多个

tf.Graph

有什么意义

我特别考虑机器学习模型的超参数调优，其中一个模型本身就是一个图，或者多个模型被定义为同一个图中的断开连接的组件

我知道有多个

tf.Session

是不好的，因为任务调度无法正确完成，所以我假设一个Session中可能有多个

tf.Graph

对象（尽管

tf.Session（Graph=…）

会有所不同）但是这样做的意义何在，而不是让几个组件使用类似于

tf.variable\u scope

的东西呢？这主要是一个用

tf.train.Saver

保存什么、在TensorBoard中可视化等等的问题吗？哪种方法更可取？模型应该共享一个图还是每个模型都有自己的超参数调优图

---

使用

tf.reset_default_graph（）似乎更简单；sess=tf.InteractiveSession（）

并在代码库的其余部分忘记

tf.Graph

和

tf.Session

。我遗漏了什么？

如果您只有一个会话，那么使用多个图表是没有意义的。会话链接到一个图，因此如果您尝试从另一个图运行一个元素，您将得到

xyz不是此图的元素
错误

当您有多个会话时，有多个图形是有意义的。例如，假设您正在使用分布式TensorFlow，但也希望在本地进行一些计算。你可以这样做

local_session = tf.Session("", graph=local_graph)
remote_session = tf.Session("grpc://...", graph=remote_graph)

但是，您可能会对相同的
tf.Graph
对象使用两个会话，但是在
tf_ExtendGraph
中对该对象的任何添加都会在下一个
会话中调用。即使该会话不需要运行该会话，也可以运行该会话。换句话说，共享图形意味着发送