Python 在预定义的图形对象上使用tf.train.Saver对象

TL；DR：为什么我们不能使用类似于

tf.saver.Save（graph=graph\u obj）

的东西来定义一个saver对象

---

标题主要说明了这一切。。。好的，为了将一个saver对象链接到您的图形，您需要这样定义它

将tf.Graph（）作为默认值（）作为g_def：
x\u input\u fun=tf.placeholder（dtype=tf.float32，name='input'）
y_output_fun=tf.placeholder（dtype=tf.float32，name='output'）
w_weights_fun=tf.get_变量（'weight_set'，dtype=tf.float32，shape=（5,5））
output=tf.matmul（x_input_fun，w_weights_fun，name='pred'）
损耗=tf.subtract（输出，y\u输出，name='loss'）
self.opti=tf.train.AdamOptimizer（丢失，name='opti'）
g_def.将_添加到_集合（tf.GraphKeys.TRAIN_OP，self.opti）
#现在，当我们执行saver.save（…）时，saver链接到此图
saver=tf.train.saver（）

如果要将其链接到默认图形，只需说出

tf.train.Saver（）

（当然，如果其中有可训练/可保存的变量）

但是为什么我们不能像这样做：

tf.train.Saver（graph=g_def）

这对我来说会更自然。当我们从一个检查点恢复一个模型时，类似的情况（对我来说）也适用。。。即使我们执行下面的代码

将tf.Session（graph=tf.graph（））作为sess的

：
saver=tf.train.import\u meta\u graph（'some\u meta\u file.meta'）
saver.restore（sess'./一些元文件'）

然后，

tf.default\u graph（）

仍然从导入的元文件中获得了节点。我能想到它如何运作的原因。。。但现在为什么

编辑：

我在检查导入图的节点时犯了如下错误。我运行了这个代码

将tf.Session（graph=tf.graph（））作为sess的

：
saver=tf.train.import\u meta\u graph（'some\u meta\u file.meta'）
saver.restore（sess'./一些元文件'）
打印（sess.graph==tf.get\u default\u graph（））

因为我想确保默认图不包含我刚刚导入到会话图中的节点。但是，这个tf.get_default_graph（）当然是。。相对的。。因此，在此会话中，默认图形实际上是导入的图形

---

因此，这也使得saver对象的工作更具逻辑性。由于此对象将始终保存/获取tf.get_default_graph（）的内容。

为了保存或还原任何内容，

tf.train.Saver

需要一个会话，并且会话绑定到特定的图形实例（如您的示例中）。这意味着，如果没有会话，保存程序实际上毫无意义。我想这是不在saver中使用显式图形绑定的主要动机

我想您可能会感兴趣的是以下内容中的

defer\u build

属性：

defer\u build

：如果

True

，则推迟将保存和还原操作添加到

build（）

调用。在这种情况下，应在完成图形或使用保护程序之前调用

build（）

---

通过这种方式，您可以创建一个不绑定到任何图形的

tf.train.Saver

，并在以后为特定的

tf.graph

实例调用

build（）。该块使用提供的
图形