在tensorflow中，如何将某个variable_scope变量恢复到另一个某个variable_scope？

Question

现在我已经训练了一个模型 A 并且我需要两个模型 A 实例，因为其中一个是固定的并且无法用于输出，而另一个可以用于下一个网络。 我设计了两个variable_scopeA_train和A_untrain，我在variable_scopeA_untrain中预训练了A模型，并在这个范围内恢复模型，代码如下：

saver_untrain = tf.train.Saver(tf.get_collection(
                                   tf.GraphKeys.GLOBAL_VARIABLES,
                                   'A_untrain'))
saver_path = '~/models/model.ckpt'
# here pre-train model A
saver_untrain.save(sess, saver_path)

现在我需要将相同的模型A 参数恢复到A_train 范围内的同一模型中，但我无法按照前面的代码进行操作，因为 ckpt 文件恢复了A_untrain/input_w1 之类的参数A_train/input_w1 的插入。我想知道我的问题是否有解决方案，或者有更好的解决方案来制作两个实例，一个是可训练的，另一个是不可训练的。非常感谢。

EDIT_1：我知道我可以使用如下代码实现我的需要：

saver_train = tf.train.Saver({'A_untrain/input_w1': A_train.input_w1})

但是当我的变量数量很大的时候就不实用了，所以我需要使用variable_scope来恢复而不是具体的变量名。

Answer 1

我终于通过 numpy 找到了解决方案。我们可以将训练后的参数保存为 '*.npy' 的格式。当我们需要加载参数时，可以np.loadnpy文件，然后在Session中调用tf.assign()赋值。不管你的variable_scope是什么都可以。