如何在tensorflow中恢复模型而不使tensorboard变得凌乱？

当我通过

tf.train.Saver

恢复我的模型时，我的张力板上的损失变得非常混乱

它似乎是从

0

迭代开始的，当它恢复时，有没有办法让它看起来更好？

使用一个变量（trainable=False）来指示迭代，并随着训练的进行增加变量。每当我们想将摘要添加到tensorboard时，我们都会运行该变量，并将结果作为

global\u步骤

传递到

add\u summary

比如说

#前面提到的变量，计算训练步骤
train\u steps=tf.get\u变量（'train\u steps'，shape=[]，initializer=tf.constant\u initializer（），trainable=False）
步骤op=tf.分配（训练步骤，训练步骤+1）
#每当执行优化时，更新学习步骤
使用tf.control_依赖项（[step_op]）：
opt_op=优化（损失）
...
训练步骤，总结=sess.run（[训练步骤，选择步骤，合并步骤]，提要内容=提要内容）
#将摘要写在张力板上
编写者。添加摘要（摘要、训练步骤）
#保存模型
saver.save（sess，文件名）

如果在调用

最小化

函数时将

训练步骤

传递给优化器，请不要使用

步骤

，如下所示：

优化器=tf.train.AdamOptimizer。最小化（成本，全局步骤=训练步骤）

它将自动更新。更准确地说，每次优化器更新可训练变量时，它也会增加它的

全局步骤

参数。感谢您指出，您肯定是对的。但是，当我们不将日志记录操作与优化操作联系起来时，上述实现将派上用场。例如，当我们进行强化学习时，我们可能只想在一集结束时记录分数。