TensorFlow估计器和大量预训练模型：跨调用重用？

我正在尝试使用TensorFlow中预先训练好的模型的转移学习-带有估计器API。模型的细节（层数、神经元等）将发生变化，并且不相关

get_feature_extractor（）实例化TensorFlow集线器模块。最终的结果是，对.train_和_evaluate（），.predict（）等的每次调用都会破坏会话和图形，从头开始，重新加载特性提取器。这需要几秒钟。是否有一种干净的方法可以在这些调用中持久化get_feature_extractor（）的结果，并使其保持会话—至少对于.predict（）？或者我必须使用较低级别的API来实现这一点

def model_fn(features, labels, mode):
    feature_extractor = get_feature_extractor()
    layer = feature_extractor(features)
    layer = tf.layers.batch_normalization(layer)
    layer = tf.layers.dense(inputs=layer, units=1280, activation=tf.nn.relu)
    layer = tf.layers.dense(inputs=layer, units=2048, activation=tf.nn.relu)
    layer = tf.layers.dense(inputs=layer, units=512, activation=tf.nn.relu)
    layer = tf.layers.dense(inputs=layer, units=2)
    if mode == tf.estimator.ModeKeys.PREDICT:
        estimator = tf.estimator.EstimatorSpec(mode, predictions=layer)     
    else:
        accuracy = tf.metrics.accuracy(labels=labels,
                               predictions=layer,
                               name='acc_op')
        metrics = {'accuracy': accuracy}
        loss = tf.losses.mean_squared_error(labels=labels, predictions=layer)
        optimizer = tf.train.AdamOptimizer()
        train_op = optimizer.minimize(loss=loss, global_step=tf.train.get_global_step())
        estimator = tf.estimator.EstimatorSpec(
            mode=mode, loss=loss, train_op=train_op,
            eval_metric_ops=metrics)    
    return estimator

---

看起来像是针对估计器的一般问题/功能请求，避免从检查点重复初始化会话。对于TensorFlow Hub，没有特殊规定，对不起。查看Estimator.predict（）的代码，我也没有看到太多用于交互的代码。但是，如果这是您的用例，那么当然有。在这种情况下，TensorFlow Hub的唯一特殊之处在于，您从中获得的模型往往非常大（至少与我自己培训过的任何模型相比）。如果我自己在ImageNet上进行培训，比如说《盗梦空间》，我也会遇到同样的问题。