Python 在实践中，为多个会话保存和加载NN模型是一种常见做法吗？

我刚开始学习TF，意识到如果我创建一个NN模型，然后如果我要创建一个seession来处理NN，比如在给定输入值的情况下得到一个输出值

然后在会话结束后，如果我再次对NN做一些其他的事情，然后为它创建一个会话，然后它将权重重新初始化为随机值，这使得它毫无意义

那么，在第一节课中，我保存模型，然后在第二节课中，我加载权重，用NN做其他事情，这是一种常见的做法吗

我知道TF计划用于1个会话，但当处理比“简单”监督分类问题更复杂的问题时，例如强化学习，那么出于各种原因，我需要以各种方式使用NN

---

因此，对所有这些进行编码，以便我能够在一个会话中执行所有功能，这有时是非常累人和令人困惑的。在这里，我宁愿每个创建一个会话来处理NN。但是这样做是一种糟糕的做法吗？

是的，当然这是常见的做法。如果你试图使用一个需要数小时训练的大网，那么除了保存重量以备将来使用之外，做任何事情都是完全不切实际的。事实上，如果您对结果的可再现性非常关心，那么您应该保存任何值得注意的网络迭代

另外，频繁保存和加载模型对执行速度有什么影响？它会在多大程度上降低总体速度？如果我使用tensorflow gpu会有什么影响？您对如此频繁地保存和加载有何经验？根据你的经验，它会降低多少速度？或者与tensorflow gpu一起使用时？@KevinKim那么，您计划多久加载一次？通常情况下，您将比加载重量节省更多的重量。你大部分的时间都不会花在这两件事上，而是花在实际的训练上。