我想在同一个TensorFlow会话中训练和测试我的模型。我使用两个不同的tf.FIFOQueue来通过多线程加载训练和测试数据（因为feed_dict会导致性能不佳）。我尝试了两种方法：
-
我尝试创建两个模型（用于训练和测试）并共享参数。但我使用了
tf.contrib.layers.batch_norm，它不允许共享批量归一化的参数。 -
我尝试根据
is_training布尔占位符来条件化网络的输入tf.FIFOQueue，使用tf.cond，但显然tf.cond会执行两个tf.FIFOQueue的出队函数，无论is_training的值是什么。
我想知道在同一会话中训练和测试的常规设置是什么，且不使用feed_dict。
回答：
显然，如果在全局tf.variable_scope中定义，tf.contrib.layers.batch_norm确实允许共享批量归一化参数。
示例代码：摘自这里。
def model(data, is_training=False, reuse=None, scope='my_model'): # 定义一个变量范围来包含模型的所有变量 with tf.variable_scope(scope, 'model', data, reuse=reuse): .... net = tf.contrib.layers.batch_norm(net, is_training) return nettrain_outputs = model(train_data, is_training=True)eval_outputs = model(eval_data, is_training=False, reuse=True)