Tensorflow 使用is#U培训和#x27；正确'；和'；假'；-冻结模型的精度不同

我试图推断出mobilenetV2模型

我已经使用tensorflow/models/slim对模型进行了培训。 该模型在

is\u training=true

时给出了适当的精度。 但是当我这样做的时候，

是_training=false

并保存模型，那么推理的准确性就很低了

在这两种情况下，我可以在图表中看到以下差异。 使用

is_training=true

，则

moving_mean

和

moving_variance

分别变为

Const

和

Const_1

。这是我能看到的唯一区别。 在推理过程中，

FusedBatchNorm

节点的输出在这两种情况下是不同的

请帮助我理解为什么会发生这种情况，以及如何解决这个问题

有同样的问题

TF文件建议如下：

update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
    train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)

我在测试中获得了更好的准确度，因为“is_训练：False”也有同样的问题

TF文件建议如下：

update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
    train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)

---

使用is\u training:False

测试时，我获得了更好的准确性。您是否测量了

is\u training=True

和

is\u training=False

的相同数据的准确性。如果您使用的是不同的数据，那么可能是过度拟合的情况。我使用相同的数据测试is_training=True和is_training=False。我将列出我正在做的步骤。1.测量训练精度（is_training=true）。使用is_training=true保存检查点。2.已还原保存的检查点（is_training=true）并进行评估。准确度与训练准确度相同。3.恢复检查点并将is_训练更改为false，并保存检查点。4.创建了一个带有检查点（is_training=false）5的冻结图。模型的测量精度。准确率从65%降低到16%。您是否测量了

is_training=True

和

is_training=False

的相同数据的准确率。如果您使用的是不同的数据，那么可能是过度拟合的情况。我使用相同的数据测试is_training=True和is_training=False。我将列出我正在做的步骤。1.测量训练精度（is_training=true）。使用is_training=true保存检查点。2.已还原保存的检查点（is_training=true）并进行评估。准确度与训练准确度相同。3.恢复检查点并将is_训练更改为false，并保存检查点。4.创建了一个带有检查点（is_training=false）5的冻结图。模型的测量精度。准确率从65%降至16%。