Tensorflow restore`tf.Session`使用`tf.train.MonitoredTrainingSession`保存检查点`

我有使用

tf.train.MonitoredTrainingSession

训练CNN的代码

当我创建一个新的

tf.train.MonitoredTrainingSession

时，我可以将

checkpoint

目录作为输入参数传递给会话，它将自动恢复它可以找到的最新保存的

checkpoint

。我可以设置

挂钩

进行训练，直到某个步骤。例如，如果

检查点的步骤是
150000
，我想训练到
200000
，我会将
最后一步设置为
200000

只要使用
tf.train.MonitoredTrainingSession
保存了最新的
检查点，上述过程就可以正常工作。然而，如果我试图恢复一个使用正常的
tf.Session
保存的
检查点，那么所有的麻烦都会消失。它在图表中找不到一些键

培训是通过以下方式完成的：

with tf.train.MonitoredTrainingSession(
    checkpoint_dir=FLAGS.retrain_dir,
    hooks=[tf.train.StopAtStepHook(last_step=FLAGS.max_training_steps),
           tf.train.NanTensorHook(loss),
           _LoggerHook()],
    config=tf.ConfigProto(
        log_device_placement=FLAGS.log_device_placement)) as mon_sess:
  while not mon_sess.should_stop():
    mon_sess.run(train_op)

如果
checkpoint\u dir
属性有一个没有检查点的文件夹，则将从头开始。如果它有上一次培训课程中保存的
检查点
，它将恢复最新的
检查点
，并继续培训

现在，我正在恢复最新的
检查点
，并修改一些变量并保存它们：

saver = tf.train.Saver(variables_to_restore)

ckpt = tf.train.get_checkpoint_state(FLAGS.train_dir)

with tf.Session() as sess:
  if ckpt and ckpt.model_checkpoint_path:
    # Restores from checkpoint
    saver.restore(sess, ckpt.model_checkpoint_path)
    print(ckpt.model_checkpoint_path)
    restored_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
    FLAGS.max_training_steps = int(restored_step) + FLAGS.max_training_steps
  else:
    print('No checkpoint file found')
    return

  prune_convs(sess)
  saver.save(sess, FLAGS.retrain_dir+"model.ckpt-"+restored_step)

正如您所见，就在
saver.save…
之前，我正在修剪网络中的所有卷积层。不需要描述如何以及为什么这样做。关键是网络实际上已经被修改了。然后我将网络保存到
检查点

现在，如果我在保存的修改后的网络上部署测试，测试工作正常。但是，当我尝试在保存的
检查点上运行
tf.train.MonitoredTrainingSession
时，它会显示：

检查点中未找到conv1键/体重减轻/平均值

此外，我还注意到，使用
tf.Session
保存的
检查点
的大小是使用
tf.train.MonitoredTrainingSession
保存的
检查点
的一半

我知道我做错了，有什么建议可以让这一切顺利进行吗？
我明白了。显然，
tf.Saver
不会从
检查点还原所有变量。我尝试立即恢复和保存，输出的大小只有原来的一半

我使用
tf.train.list_变量
从最新的
检查点
获取所有变量，然后将它们转换为
tf.Variable
，并从中创建一个
dict
。然后我将
dict
传递给
tf.Saver
，它恢复了我所有的变量

下一步是初始化所有变量，然后修改权重

现在它正在工作