Serialization 重用tensorflow训练图的一部分

因此，我训练了一个带有几层的tensorflow模型，大致如下：

with tf.variable_scope('model1') as scope:

    inputs = tf.placeholder(tf.int32, [None, num_time_steps])
    embeddings = tf.get_variable('embeddings', (vocab_size, embedding_size))
    lstm = tf.nn.rnn_cell.LSTMCell(lstm_units)

    embedded = tf.nn.embedding_lookup(embeddings, inputs)
    _, state = tf.nn.dynamic_rnn(lstm, embedded, dtype=tf.float32, scope=scope)

    # more stuff on the state

现在，我想在另一个模型中重用嵌入矩阵和lstm权重，除了这两个组件之外，它与这个模型非常不同

据我所知，如果我用

tf.Saver

对象加载它们，它将查找 变量的名称完全相同，但我在两个图中使用了不同的

variable\u scope

s

在中，建议创建一个图，其中LSTM被训练为另一个的超集，但鉴于两个模型的差异，我认为在我的情况下不可能。无论如何，如果一个图形做独立的事情，我认为让它依赖于另一个图形不是一个好主意

我考虑过在序列化图中更改LSTM权重和嵌入的变量范围。我的意思是，在它最初读到的

model1/Weights:0

或其他东西的地方，它将是

另一个范围/Weights:0

。这是否可能和可行

---

当然，如果有更好的解决方案，也很受欢迎。

我发现可以使用字典将序列化文件中的变量名（没有尾随的

：0

）映射到要在图形中还原的变量对象来初始化该保护程序。例如：

varmap = {'model1/some_scope/weights': variable_in_model2,
          'model1/another_scope/weights': another_variable_in_model2}

saver = tf.train.Saver(varmap)
saver.restore(sess, path_to_saved_file)