Python 恢复训练过的tensorflow模型，编辑与节点关联的值，然后保存它

我用tensorflow训练了一个模型，并在训练过程中使用了批量规范化。批量规范化要求用户传递一个布尔值，称为

is_training

，以设置模型是处于培训阶段还是测试阶段

当模型被训练时，

is\u training

被设置为常数，如下所示

is_training = tf.constant(True, dtype=tf.bool, name='is_training')

我保存了经过训练的模型，文件包括checkpoint、.meta文件、.index文件和a.data。我想恢复模型并使用它运行推理。 模型无法重新训练。因此，我想恢复现有模型，将

is\u training

的值设置为

False

，然后将模型保存回去。

---

如何编辑与该节点关联的布尔值并再次保存模型？

您可以使用的

input\u map

参数将图形张量重新映射到更新的值

config = tf.ConfigProto(allow_soft_placement=True)
with tf.Session(config=config) as sess:
    # define the new is_training tensor
    is_training = tf.constant(False, dtype=tf.bool, name='is_training')

    # now import the graph using the .meta file of the checkpoint
    saver = tf.train.import_meta_graph(
    '/path/to/model.meta', input_map={'is_training:0':is_training})

    # restore all weights using the model checkpoint 
    saver.restore(sess, '/path/to/model')

    # save updated graph and variables values
    saver.save(sess, '/path/to/new-model-name')

---

如果使用

is_training=tf.Variable..

而不是constantIs，则会更容易。为什么

is_training

需要是tensorflow常量？难道不是一个巨蟒之躯吗？请注意，将

is_training

更改为python bool不会在恢复模型时产生错误。@GeertH可能是这样，问题是如何在加载模型后将

is_training

设置为

False

，然后将其保存回去。因此，当再次还原时，节点的值为

False

。上面的代码会抛出一个错误

ValueError:tf。如果使用input\u map，则import\u graph\u def（）需要一个非空名称

我已经使用

tensorflow==1.2.0

测试了此代码，希望对您有所帮助；它也不是

tf.import\u graph\u def

。查看我的代码。我按原样尝试了您的代码，错误是由这一行引发的，

saver=tf.train.import\u meta\graph（r'D:\code\iprings\k-fold-model\VanillaCNN\u 24.0000.meta'，input\u map={'is\u training'：is\u training}）

我建议您使用tf==1.2.0