Tensorflow 在一个脚本中训练多个Keras模型

我想在一个队列中训练不同的Keras模型（或者在某些情况下只是对同一模型进行多次运行以比较结果）（如果需要的话，使用TensorFlow作为后端）。在我当前的设置中，我在一个大型python脚本中创建并适应所有这些模型，例如（以简化的方式）：

create\u model（i）

函数为

i

的第次运行创建特定的模型。例如，这包括更改输入/标签的数量。每次运行的编译函数也可能不同（例如，不同的优化器）

虽然这段代码对我有效，我没有发现任何问题，但我不清楚这是否是正确的方法，因为所有模型都位于同一张TensorFlow图中（如果我正确理解Keras/TensorFlow的工作方式）。我的问题是：

这是运行多个独立模型的正确方法吗。（我不希望

I

第次运行对

I+1

第次运行产生任何影响）

从技术上讲，从不同的python脚本（在本例中为model1.py、model2.py、…model9.py）运行模型是否更好（这里我不是指可读性/可再现性），因为每个模型都有自己单独的TensorFlow图/会话

在这种情况下，如果在save函数之后运行（

for

循环中的

some\u函数to\u save\u model（）

），则通过

keras.backend.clear\u Session（）

清除会话/删除图表是否有任何影响？与当前设置相比，这在某种程度上是否有益

再次重申：如果所有模型都集中在一个脚本中，而不是每个模型一个脚本，那么我不关心由于创建混乱的代码而可能出现的问题，而只是单独创建和训练模型

不幸的是，我没有找到一个简洁的答案（只有使用这两种方法的建议）。也许这里有人能启发我

编辑：也许我应该更精确一些。基本上，我想就以下三种情况的差异（优点和缺点）进行技术解释：

创建_和_train.py：

for i in range(10):
    model = create_model(i)
    model.compile(...)
    model.fit(...)
    some_function_to_save_model(model)

for i in range(10):
    model = create_model(i)
    model.compile(...)
    model.fit(...)
    some_function_to_save_model(model)
    # clear session:
    keras.backend.clear_session()

创建_和_train.py：

for i in range(10):
    model = create_model(i)
    model.compile(...)
    model.fit(...)
    some_function_to_save_model(model)

for i in range(10):
    model = create_model(i)
    model.compile(...)
    model.fit(...)
    some_function_to_save_model(model)
    # clear session:
    keras.backend.clear_session()

使用[0，1，…，9]中的i创建_和_train_i.py：

i = 5 # (e.g.)
model = create_model(i)
model.compile(...)
model.fit(...)
some_function_to_save_model(model)

例如，一个bash脚本循环通过这些