Tensorflow 在使用tf-hub模型时，如何避免每次预测上的init会话

我按照本文（）中的方法构建了一个使用通用句子编码器的模型。培训过程基本上是

module_url = "https://tfhub.dev/google/universal-sentence-encoder-large/3" 
embed = hub.Module(module_url)
def UniversalEmbedding(x):
    return embed(tf.squeeze(tf.cast(x, tf.string)), signature="default", as_dict=True)["default"]

input_text = layers.Input(shape=(1,), dtype=tf.string)
embedding = layers.Lambda(UniversalEmbedding, output_shape=(embed_size,))(input_text)
dense = layers.Dense(256, activation='relu')(embedding)
pred = layers.Dense(category_counts, activation='softmax')(dense)
model = Model(inputs=[input_text], outputs=pred)
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.summary()
with tf.Session() as session:
   K.set_session(session)
   session.run(tf.global_variables_initializer())
   session.run(tf.tables_initializer())
   history = model.fit(train_text, 
        train_label,
        validation_data=(test_text, test_label),
        epochs=10,
        batch_size=32)
  model.save_weights('./model.h5')

我保存了一个模型权重，希望以后使用。我可以通过将权重加载到模型 model.load\u权重（self.model\u权重文件） 然而，每当我需要做出预测时，我都需要创建一个会话作为

with tf.Session() as session:
    K.set_session(session)
    session.run(tf.global_variables_initializer())
    session.run(tf.tables_initializer())
    predicts = self.model.predict(text)

---

会话初始化需要很长时间，如果我需要在每个预测中创建会话，它会给我带来巨大的开销。是否有一种方法可以创建一次会话，并在每次预测中持续使用它

什么是

K.set\u会话

？您不需要重新初始化模型预测，您应该能够加载一次初始化模型，然后在文本中循环多次推理。什么是

K.set\u会话

？您不需要重新初始化模型预测，您应该能够加载一个初始化模型一次，然后在文本中循环多次推理。