Python 如何通过tensorflow实现独立的CNN？

我必须使用tf=1.15，我需要在几个阶段训练CNN的不同部分。CNN的第一批s组是可转换的，其他组保持不变

def conv_group_编码器（输入张量，num_潜伏，is_training=True）：
“卷积编码器用于beta VAE文件中的椅子数据。
基于“beta VAE：学习基础视觉”第13页表1第3行
具有约束变分框架的概念”
(https://openreview.net/forum?id=Sy2fzU9gl)
Args：
输入张量：将形状张量（批量大小，64，64，数量通道）输入到
构建编码器。
num_潜伏期：要输出的潜伏期变量数。
is_training：图形是否为培训而构建（未使用）。
返回：
平均值：输出带有潜在变量的形状张量（批次大小、潜在数量）
方法
log_var：输出形状张量（批次大小，潜在数量），带有潜在
可变对数方差。
"""
德尔正在接受训练
e1=tf.layers.separable_conv2d(
输入=输入张量，
深度乘以=4，
过滤器=16，
内核大小=4，
步幅=2，
激活=tf.nn.relu，
padding=“相同”，
name=“e1”，
)
e2=tf.layers.separable_conv2d(
输入=e1，
深度乘以=4，
过滤器=16，
内核大小=4，
步幅=2，
激活=tf.nn.relu，
padding=“相同”，
name=“e2”，
)
e3=tf.layers.separable_conv2d(
输入=e2，
深度乘以=4，
过滤器=32，
内核大小=2，
步幅=2，
激活=tf.nn.relu，
padding=“相同”，
name=“e3”，
)
e4=tf.layers.separable_conv2d(
输入=e3，
深度乘以=4，
过滤器=32，
内核大小=2，
步幅=2，
激活=tf.nn.relu，
padding=“相同”，
name=“e4”，
)
组e4=tf.分割（e4，4，轴=1）
平均值列表，日志变量列表=[]，[]
对于枚举中的i，sep_e4（组e4）：
展平（sep_e4）=tf.层展平（sep_e4）
e5=tf.layers.density（平坦的e4，256，激活=tf.nn.relu，名称=f“e5{i}”）
mean_list.append（tf.layers.dense（e5，num_/4，activation=None，name=f“means_{i}”））
log\u var\u list.append（tf.layers.dense（e5，num\u潜伏//4，activation=None，name=f“log\u var{i}”））
step=tf.train.get\u global\u step（）
stage\u steps=（gin.query\u参数（'model.training\u steps'）//4
阶段=int（步骤//阶段\步骤）
平均数=tf.concat([
平均值列表[：阶段+1]，
tf.停止梯度（平均值列表[阶段+1:]）
], 1)
log_var=tf.concat([
日志变量列表[：阶段+1]，
tf.停止梯度（日志变量列表[阶段+1:]）
], 1)
返回平均值，log_var

然而，在将step:tf.Variable转换为int时，我遇到了一些麻烦。

int（step）

：张量的对象没有属性“numpy”。

step.eval（）

：无法使用eval（）计算张量：未注册默认会话。我不知道如何获取会话，因为它使用tpu_估计器

或者可能有更好的方法来剪切其余参数的梯度