运行交叉验证时，Tensorflow保存的模型会变大

在Tensorflow上运行交叉验证的正确方法是什么？ 下面是我的代码片段：

class TextCNN:
  ...
  def train(self):
    saver = tf.train.Saver(tf.all_variables())
    with tf.Session() as sess:
      ...
      # training loop
      ...
      # training finished
      path = saver.save(sess, "{:s}/model.{:d}".format(self.checkpoint_dir, self.test_fold))

if __name__ == "__main__":
  for i in range(CV_SIZE):
    cnn = TextCNN(i)
    cnn.train()

---

折叠0的保存模型大小约为2M。但对于4米左右的折叠1，6米左右的折叠2，依此类推。

我的猜测是

TextCNN

构造函数和

train（）

方法正在将节点添加到默认图（）中，保存的模型包括所有以前的图，因此它是“意外二次型”的，并且随着

\uuuuu主循环的每次迭代而增长

幸运的是，解决方案很简单。只需按如下方式重写主循环：

if __name__ == "__main__":
  for i in range(CV_SIZE):
    with tf.Graph().as_default():  # Performs training in a new, empty graph.
      cnn = TextCNN(i)
      cnn.train()

这将为循环的每次迭代创建一个新的空图。因此，保存的模型将不包含来自上一次迭代的节点（和变量），并且模型大小应保持不变

请注意，如果可能，您应该尝试在所有迭代中重用相同的图。但是，我意识到，如果图的结构从一次迭代到下一次迭代，这可能是不可能的。
我猜
TextCNN
构造函数和
train（）
方法正在向默认图（）添加节点，并且保存的模型包含所有以前的图，因此它是“意外二次型”的并且随着
\uuuu主循环的每次迭代而增长

幸运的是，解决方案很简单。只需按如下方式重写主循环：

if __name__ == "__main__":
  for i in range(CV_SIZE):
    with tf.Graph().as_default():  # Performs training in a new, empty graph.
      cnn = TextCNN(i)
      cnn.train()

这将为循环的每次迭代创建一个新的空图。因此，保存的模型将不包含来自上一次迭代的节点（和变量），并且模型大小应保持不变

请注意，如果可能，您应该尝试在所有迭代中重用相同的图。然而，我意识到，如果图的结构从一个迭代到下一个迭代发生变化，这可能是不可能的