Python keras.estimator.model_to_estimator-无法热启动或加载以前的检查点

我正在训练一个张量流模型，使用keras模型的估计函数，然后用训练数据进行训练。这很好，然后我可以继续使用测试数据成功地预测

在一个单独的例行程序中，我希望能够使用最新的训练检查点加载预先训练的估计器，并进行更多的预测（即，无需重新训练）。我已经从中查看了

warm\u start\u，但在加载keras模型时，这似乎不可用。我的理解是，我可以从同一个keras模型创建一个新的估计器，第一次我预测它将从我指定的目录加载检查点

下面的代码片段是我的尝试（最终estimator_model2将加载到一个单独的例程中，这只是为了演示）

从诊断中，我可以看到它在执行最后一行时尝试加载检查点。但是，我得到一个错误，表明在训练期间保存的检查点不包含新估计器所需的所有信息。这就是错误：

E       NotFoundError (see above for traceback): Key conv2d_2/bias not found in checkpoint
E            [[Node: save/RestoreV2 = RestoreV2[dtypes=[DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_INT64, DT_FLOAT, DT_FLOAT], _device="/job:localhost/replica:0/task:0/device:CPU:0"](_arg_save/Const_0_0, save/RestoreV2/tensor_names, save/RestoreV2/shape_and_slices)]]

如果有帮助，我可以展示keras模型，但我认为这不是问题所在

有谁能给我一个解决方案或建议一个更好的方法，用以前训练过的值加载估计器，只是为了进行预测？
我对上述问题的解决方案是使用混合方法，我用keras符号指定模型，然后将其放入tensorflow模型函数中，然后将其加载到和估计器中。通过采用这种方法，我可以像其他任何tensorflow模型一样保存到检查点，并从检查点重新加载。我认为这是使用直观的keras符号的最佳组合，同时能够利用tensorflow估计器和数据工具。以下是我描述各种tensorflow调用设置的方法概述：

创建一个估计器：

|--estimator: tf.estimator.Estimator
|--config: tf.estimator.RunConfig                         #checkpointPath and saving spec for training
        |--model_fn: tf.estimator.EstimatorSpec
            |--myKerasModel                               #specify model. Doesn't have to be keras.
                    |--keras.models.Model
            |--loss: myLossFunction                       #train_and_eval only
            |--optimizer: myOptimizerFunction             #train_and_eval only
            |--training_hooks:tf.train.SummarySaverHook   #train_and_eval only - for saved diagnostics
            |--evaluation_hooks:tf.train.SummarySaverHook #train_and_eval only - for saved diagnostics
            |--predictions: model(data, training=False)   #predict only


培训和评估：

|--tf.estimator.train_and_evaluate
        |--estimator: tf.estimator.Estimator                  #the estimator we created
        |--train_spec: tf.estimator.TrainSpec
                            |--input_fn: tf.data.Dataset      #specify the input function 
                                |--features, labels           #data to use
                                |--batch, shuffle, num_epochs #controls for data
        |--eval_spec: tf.estimator.EvalSpec
                            |--input_fn: tf.data.Dataset      #specify the input function
                                |--features, labels           #data to use
                                |--batch                      #controls for data
                            |--throttle and start_delay       #specify when to start evaluation


注意，我们可以使用
tf.estimator.estimator.train
和
tf.estimator.estimator.evaluate
，但是
不允许在培训期间进行评估，因此我们使用
tf.estimator.train\u和\u evaluate

预测：

|--estimator: tf.estimator.Estimator.predict       #the estimator we created
        |--input_fn: tf.data.Dataset               #specify the input function
            |--features                            #data to use


我还提出了一个warm_start的功能请求，这将是解决上述问题的一种方法
|--estimator: tf.estimator.Estimator.predict       #the estimator we created
        |--input_fn: tf.data.Dataset               #specify the input function
            |--features                            #data to use