Tensorflow 依次训练模型导致不同的结果答案

【问题标题】：Tensorflow training models in sequence leads to different resultsTensorflow 依次训练模型导致不同的结果
【发布时间】：2020-04-07 17:47:15
【问题描述】：

我假设 MODEL2（具有特定的、不更改的参数集）。我可以重复训练该模型，并且每次都能得到与预期相同的结果。

然后我实施了一些按顺序训练模型的测试。

在运行 MODEL1 和之后的 MODEL2 时。 MODEL2 与独立运行它的结果不同（上面的第一种情况）。为什么？

每次我训练一个新模型时，我都尝试从头开始初始化 tensorflow，但它似乎没有帮助。 tf.compat.v1.reset_default_graph() 也无济于事。

有人有想法吗？

【问题讨论】：

我不明白。您是在尝试从模型 1 到模型 2 的迁移学习，还是只是按顺序运行独立模型。
只是按顺序的单机模型

标签： python tensorflow

【解决方案1】：

尝试在单独的图表中创建模型。如果您在同一进程中运行多个 tf 模型和会话，则以下模式很有用。

mygraph = tf.Graph()
with mygraph.as_default():
    # create or saver.restore tf variables here

session = tf.Session(graph=mygraph)

with session.as_default():
    with mygraph.as_default():
        session.run(tf.global_variables_initializer())
        # train tf here

【讨论】：

非常感谢。它完成了这项工作。