Tensorflow-Seq2Seq模型重量未正确加载

我正在开发一个

编码器-解码器

聊天机器人，它由

嵌入层

、两层

LSTM

和解码器顶部的

完全连接层

组成

加载

检查点文件后，
丢失
比上次保存模型时高出很多，聊天机器人的结果也比预期的差很多。然而，模型并没有回到他最初的状态。这意味着，如果我在模型有2.4损失时保存模型，它将加载4-5损失，而不是10（这是模型开始学习之前的损失）

此外，模型在加载权重后学习速度更快，这使我相信一些权重已成功加载，而另一些权重未成功加载

我正在使用此代码构建模型，并在
\uuuu init\uuuu
函数中加载
检查点
：

self.\u收集\u数据（）
self.\u构建\u模型（）
tf.global\u variables\u initializer（）.run（session=self.sess）
self.saver=tf.train.saver（tf.global_variables（））
尝试：
self.saver.restore（self.sess、self.checkpoint\u路径）
除：
打印（'从头开始'）

这是我在
\uu build\u model
函数中构建模型的方式：

#占位符
使用tf.variable_scope（self.scope+'-placeholders'）：
self.inputs=tf.placeholder（tf.int32，[None，self.input_length]，name='inputs'）
self.outputs=tf.placeholder（tf.int32，[None，None]，name='outputs'）
self.targets=tf.placeholder（tf.int32，[None，None]，name='targets'）
#嵌入
使用tf.variable_scope（self.scope+“嵌入”）：
self.input\u embedding=tf.Variable（tf.ones（（self.vocab\u size，self.embed\u size）））
self.output\u embedding=tf.Variable（tf.ones（（self.vocab\u size，self.embed\u size）））
input\u embed=tf.nn.embedding\u查找（self.input\u embedding，self.inputs）
output\u embed=tf.nn.embedding\u查找（self.output\u embedding，self.outputs）
#编码器
使用tf.variable_scope（self.scope+'-encoder'）：
lstm_enc_1=tf.contrib.rnn.LSTMCell（self.hidden_size，reuse=tf.AUTO_reuse）
lstm_enc_2=tf.contrib.rnn.LSTMCell（self.hidden_size，reuse=tf.AUTO_reuse）
_，最后一个状态=tf.nn.dynamic（tf.contrib.rnn.MultiRNNCell（单元格=[lstm_enc_1，lstm_enc_2]），输入=输入嵌入，数据类型=tf.float32）
#译码器
使用tf.variable_scope（self.scope+'-decoder'）：
lstm_dec_1=tf.contrib.rnn.LSTMCell（self.hidden_size，reuse=tf.AUTO_reuse）
lstm_dec_2=tf.contrib.rnn.LSTMCell（self.hidden_size，reuse=tf.AUTO_reuse）
dec_输出，uu=tf.nn.dynamic_rnn（tf.contrib.rnn.multirncell（cells=[lstm_dec_1，lstm_dec_2]），输入=output_embed，初始状态=last_状态，数据类型=tf.float32）
self.logits=tf.contrib.layers.fully_connected（dec_输出，num_输出=self.vocab_大小，activation_fn=None，reuse=tf.AUTO_reuse，scope='fully_connected'）
#损失与优化
使用tf.variable_scope（self.scope+'-optimization'）：
self.loss=tf.contrib.seq2seq.sequence\u loss（self.logits，self.targets，tf.ones（[self.batch\u size，self.input\u length]））
self.optimizer=tf.train.RMSPropOptimizer（0.001）。最小化（self.loss）

我用这个函数来保存训练时的重量：

self.saver.save（self.sess、self.checkpoint\u路径）
由于问题似乎与加载和保存模型有关，请包含相关代码（不确定转储整个模型是否有用-请查看原因）。@desertnaut感谢您指出这一点。我做了一些改变，还有什么吗？好的，既然你问：）。。。将其放在第一个代码段之前，以便突出显示语法（这可以使代码更具可读性）：