我已经使用TensorFlow训练了一个模型，并且在训练过程中使用了批量归一化。批量归一化要求用户传递一个布尔值，称为is_training，以设置模型处于训练还是测试阶段。

当模型被训练时，is_training被设置为一个常量，如下所示

is_training = tf.constant(True, dtype=tf.bool, name='is_training')

我已经保存了训练好的模型，文件包括checkpoint、.meta文件、.index文件和一个.data文件。我希望恢复模型并使用它进行推理。模型不能被重新训练。因此，我想恢复现有模型，将is_training的值设置为False，然后将模型保存回去。我如何编辑与该节点关联的布尔值，并再次保存模型？

回答：

你可以使用tf.train.import_meta_graph的input_map参数来重新映射图张量到更新后的值。

config = tf.ConfigProto(allow_soft_placement=True)with tf.Session(config=config) as sess:    # 定义新的is_training张量    is_training = tf.constant(False, dtype=tf.bool, name='is_training')    # 现在使用checkpoint的.meta文件导入图    saver = tf.train.import_meta_graph(    '/path/to/model.meta', input_map={'is_training:0':is_training})    # 使用模型checkpoint恢复所有权重     saver.restore(sess, '/path/to/model')    # 保存更新后的图和变量值    saver.save(sess, '/path/to/new-model-name')