在同一Tensorflow会话中从Saver加载两个模型

Question

我有两个网络：生成输出的Model和对输出进行分级的Adversary。

两者都是单独训练的，但现在我需要在一次训练中合并它们的输出。

我试图实现本文中提出的解决方案：Run multiple pre-trained Tensorflow nets at the same time

我的代码

with tf.name_scope("model"):
    model = Model(args)
with tf.name_scope("adv"):
    adversary = Adversary(adv_args)

#...

with tf.Session() as sess:
    tf.global_variables_initializer().run()

    # Get the variables specific to the `Model`
    # Also strip out the surperfluous ":0" for some reason not saved in the checkpoint
    model_varlist = {v.name.lstrip("model/")[:-2]: v 
                     for v in tf.global_variables() if v.name[:5] == "model"}
    model_saver = tf.train.Saver(var_list=model_varlist)
    model_ckpt = tf.train.get_checkpoint_state(args.save_dir)
    model_saver.restore(sess, model_ckpt.model_checkpoint_path)

    # Get the variables specific to the `Adversary`
    adv_varlist = {v.name.lstrip("avd/")[:-2]: v 
                   for v in tf.global_variables() if v.name[:3] == "adv"}
    adv_saver = tf.train.Saver(var_list=adv_varlist)
    adv_ckpt = tf.train.get_checkpoint_state(adv_args.save_dir)
    adv_saver.restore(sess, adv_ckpt.model_checkpoint_path)

问题

对函数model_saver.restore()的调用似乎什么也没做。在另一个模块中，我使用一个带有tf.train.Saver(tf.global_variables())的保存程序，它可以很好地恢复检查点。

模型有model.tvars = tf.trainable_variables()。为了检查发生了什么，我使用sess.run()来提取恢复前后的tvars。每次使用初始随机分配的变量而不分配检查点中的变量时。

有没有想过为什么model_saver.restore()看起来无所事事？

Answer 1

解决这个问题花了很长时间，所以我发布了我可能不完美的解决方案，以防其他人需要它。

为了诊断这个问题，我手动循环遍历每个变量，并逐个分配它们。然后我注意到，分配变量后，名称会改变。这里是这样描述的：TensorFlow checkpoint save and read

根据那篇文章中的建议，我用自己的图表运行了每个模型。这也意味着我必须在它自己的会话中运行每个图。这意味着以不同的方式处理会话管理。

首先我创建了两个图

model_graph = tf.Graph()
with model_graph.as_default():
    model = Model(args)

adv_graph = tf.Graph()
with adv_graph.as_default():
    adversary = Adversary(adv_args)

然后是两会

adv_sess = tf.Session(graph=adv_graph)
sess = tf.Session(graph=model_graph)

然后我初始化每个会话中的变量，并分别还原每个图

with sess.as_default():
    with model_graph.as_default():
        tf.global_variables_initializer().run()
        model_saver = tf.train.Saver(tf.global_variables())
        model_ckpt = tf.train.get_checkpoint_state(args.save_dir)
        model_saver.restore(sess, model_ckpt.model_checkpoint_path)

with adv_sess.as_default():
    with adv_graph.as_default():
        tf.global_variables_initializer().run()
        adv_saver = tf.train.Saver(tf.global_variables())
        adv_ckpt = tf.train.get_checkpoint_state(adv_args.save_dir)
        adv_saver.restore(adv_sess, adv_ckpt.model_checkpoint_path)

从这里开始，每当需要每个会话时，我都会用with sess.as_default():包装该会话中的任何tf函数。最后，我手动关闭会话

sess.close()
adv_sess.close()