Python Tensorflow如何管理图形？

我已经意识到，Tensorflow管理图形的方式似乎有些古怪

由于构建（和重建）模型非常繁琐，我决定将自定义模型封装在一个类中，以便在其他地方轻松地重新实例化它

当我训练和测试代码（在初始位置）时，它会工作得很好，但是在加载图形变量的代码中，我会遇到各种奇怪的错误——变量重新定义和其他一切。这（来自我上一个关于类似事情的问题）暗示着所有东西都被调用了两次

在做了大量的跟踪之后，问题归结为我使用加载代码的方式。它是在一个类中使用的，这个类的结构是这样的

class MyModelUser(object):
    def forecast(self):
       # .. build the model in the same way as in the training code
       # load the model checkpoint
       # call the "predict" function on the model
       # manipulate the prediction and return it

然后在一些使用

MyModelUser

的代码中

def test_the_model(self):
   model_user = MyModelUser()
   print(model_user.forecast())  # 1
   print(model_user.forecast())  # 2

我（很明显）希望在这一会议上看到两个预测。相反，第一个forecast被调用并按预期工作，但第二个调用抛出了大量变量重用值错误，其中一个示例是：

ValueError: Variable weight_def/weights already exists, disallowed. Did you mean to set reuse=True in VarScope?

我通过添加一系列使用

get\u variable

创建变量的try/except块，然后在异常情况下，在作用域上调用

reuse\u variables

，然后在没有名称的情况下添加

get\u variable

来消除错误。这带来了一系列新的严重错误，其中之一是：

tensorflow.python.framework.errors.NotFoundError: Tensor name "weight_def/weights/Adam_1" not found in checkpoint files

一时兴起，我说：“如果我将建模建筑代码移动到

\uuuu init\uuuu

，那么它只构建一次呢？”

我的新型号用户：

class MyModelUser(object):
    def __init__(self):
       # ... build the model in the same way as in the training code
       # load the model checkpoint


    def forecast(self):
       # call the "predict" function on the model
       # manipulate the prediction and return it

现在：

def test_the_model(self):
   model_user = MyModelUser()
   print(model_user.forecast())  # 1
   print(model_user.forecast())  # 2

按预期工作，打印两个预测没有错误。这让我相信我也可以摆脱可变重用的东西

我的问题是：

---

为什么要这样做？从理论上讲，在原始预测方法中，每次都应重新插入图形，因此不应创建多个图形。Tensorflow是否在函数完成后仍保持图形？这就是为什么将创建代码移动到

\uuuuu init\uuuu

有效的原因吗？这让我感到无可救药的困惑。

TF有一个默认图，可以添加新的操作等。当您两次调用函数时，您将在同一个图形中添加两次相同的内容。因此，要么构建一次图形，然后对其进行多次评估（正如您所做的，这也是“正常”方法），要么，如果您想更改内容，可以使用reset\u default\u graph重置图形，以获得新的状态。

默认情况下，TensorFlow使用第一次调用TensorFlow API时创建的单个全局实例。如果不显式创建

tf.Graph

，所有操作、张量和变量都将在该默认实例中创建。这意味着每次在代码中调用

model\u user.forecast（）

都会将操作添加到同一个全局图中，这有点浪费

这里（至少）有两种可能的行动方案：

• 理想的操作是重新构造代码，以便

  MyModelUser.\uuu init\uuu（）

  构造一个完整的

  tf.Graph

  ，其中包含执行预测所需的所有操作，

  MyModelUser.forecast（）

  只需对现有图形执行

  sess.run（）

  调用。理想情况下，您也只需要创建一个

  tf.Session

  ，因为TensorFlow会在会话中缓存有关图形的信息，执行效率会更高

• 对

  MyModelUser.forecast（）

  的每次调用都创建一个新的

  tf.Graph

  ，这是一个侵入性较小但可能效率较低的更改。在

  MyModelUser.\uuu init\uuuu（）

  方法中创建了多少状态，这一问题并不清楚，但您可以执行以下操作，将这两个调用放在不同的图中：

  def test_the_model(self):
    with tf.Graph():  # Create a local graph
      model_user_1 = MyModelUser()
      print(model_user_1.forecast())
    with tf.Graph():  # Create another local graph
      model_user_2 = MyModelUser()
      print(model_user_2.forecast())