tensorflow加载多个模型的办法补充(将网上的半语补全)

问题来源：

       0）模型训练好了（tensorflow训练），想进行离线的测试

       1）我想将多个模型的计算封装成各自的函数接口；

       2）同时为了提升计算速度，将模型的session对象设置成了全局变量（方便快捷的处理每次请求）；

       3）导致一个graph中出现了两个模型；

 

问题解释：tensorflow默认为进程设置一个默认的graph, 一个graph只能存在一个session，结果就是两个模型在一起出现冲突。

 

解决办法：为每个模型设置一个graph，但是每个graph必须要事先加载网络模型结构

具体的函数封装：

XX_Model_caculate.py (为例)

     #网络结构参数:

     n_input = 3

     n_steps = 180

     n_hidden = 512

     ...

      #创建一个graph变量:

      g1 = tf.Graph()

      #创建一个session变量：需要指定Graph

      sess1=th.Session(graph=g1)

      #定义一个model_path

      Model1_path="XX/XX" #即自己保存模型的目录（不用具体到文件）

      #加载网络结构和参数：

      with sess1.as_default():

                with g1.as_default():             

                         #创建网络结构( 即 把训练时的网络结构定义拿过来  )

                         a)定义输入

                         b)定义网络结构

                         c) 定义预测的输出

                         然后：

                         ft.global_variables_initializer().run()

                         model_saver = tf.train.Saver(tf.global_variables())

                        model_cpt = tf.train.get_checkpoint_statle(Model1_path)

                        model_saver.restore(sess1,model_cpt.model_checkpoint_path)

      # 定义成函数接口

      def  Model1_caculate(data=None): 

           x_data=np.asarray(data)

            x_data=np.reshape(data,[x,x,x]) #表示reshape成自己模型的输入情况

            temp_y = np.ones([1,n_classed]) #即伪造一个y用作sess1.run()的输入

            with sess1.as_default():  #因为sess1设置成全局变量，所有可以直接使用，也就节省了加载时间

                  with sess1.graph.as_default():

                          result=sess1.run(预测变量名，feed_dict={x=x_data, y=temp_y })

            return  result

                

调用方法：（在另一个文件中调用）

 import XX_Model_caculate
 if __name__ == '__main__':

             test_data  #先获取到源数据

             get_result=XX_Model_caculate.Model1_caculate(data=test_data) #计算得到结果

 

问题得到解决。

 

另一种解决问题的办法：

    tensorflow是静态图；（最新的tensorflow是动态图，不知道如何）

    如果是pytorch,就没那么麻烦了，模型随时定义，网络随机加载，参数随时使用。（前提是得再pytorch上训练好模型）