Tensorflow：如何在训练时将模型保存在内存中

Question

我在 tensorflow 中的训练过程涉及在两个模型之间切换。 而使用 tf.saver 并从硬盘恢复模型确实很耗时（在我的代码中，切换很频繁），因此，我想知道有没有办法将模型参数存储在内存中并恢复它们从记忆里。我的模型很小，绝对可以存储在 RAM 中。 stackoverflow 有一个答案。 Storing tensorflow models in memory 但是，我不太明白这是如何工作的。有谁知道如何实现这个目标？谢谢。

Answer 1

你应该像这样使用两个单独的图表：

g1 = tf.Graph()
g2 = tf.Graph()

with g1.as_default():
  # build your 1st model
  sess1 = tf.Session(graph=g1)
  # do some work with sess1 on g1
  sess1.run(...)

with g2.as_default():
  # build your 2nd model
  sess2 = tf.Session(graph=g2)
  # do some work with sess2 on g2
  sess2.run(...)

with g1.as_default():
  # do some more work with sess1 on g1 
  sess1.run(...)

with g2.as_default():
  # do some more work with sess2 on g2
  sess2.run(...)

sess1.close()
sess2.close()

您实际上并不需要with 语句，一旦您创建了sess1 和sess2，您就可以使用它们，它们将引用正确的图表，但设置当您仍在习惯 TF 如何处理全局变量时使用该图时的默认图。