我是TensorFlow的新手，已经被这个问题困扰了几天。现在我有以下预训练模型（4个文件）：
Classification.inception.model-27.data-0000-pf=00001Classification.inception.model-27.indexClassification.inception.model-27.metacheckpoint 我可以在一个新的文件test.py中成功地将这个模型恢复为默认图：
with tf.Session() as sess: new_restore = tf.train.import_meta_graph('Classification.inception.model-27.meta') new_restore.restore(sess, tf.train.latest_checkpoint('/')) graph = tf.get_default_graph() input_data = graph.get_tensor_by_name('input_data') output = graph.get_tensor_by_name('logits/BiasAdd:0') ...... logits = sess.run(output, feed_dict = {input_data: mybatch}) ......上述脚本运行良好，因为test.py与train.py是独立的。所以我通过这种方式得到的图只是默认图。
然而，我不知道如何将这个预训练模型整合到现有图中，即将张量“output”传递到一个新的网络（Python代码，而不是恢复的图）中，如下所示：
def main(): ### 在这里加载meta文件并恢复预训练图 ##### new_restore = tf.train.import_meta_graph('Classification.inception.model-27.meta') new_restore.restore(sess, tf.train.latest_checkpoint('/')) graph = tf.get_default_graph() input_data = graph.get_tensor_by_name('input_data') output1 = graph.get_tensor_by_name('logits/BiasAdd:0') ...... with tf.Graph().as_default(): with tf.variable_scope(scope, 'InceptionResnetV1', [inputs], reuse=reuse): with slim.arg_scope([slim.batch_norm, slim.dropout], is_training = is_training): with slim.arg_scope([slim.conv2d, slim.max_pool2d, slim.avg_pool2d]): net = slim.conv2d(output1, 32, 3, stride = 2, scope= 'Conv2d_1a_3x3')然而，当我将张量output1传递到slim.conv2d()时，出现了错误。错误信息是：
ValueError：Tensor(“InceptionResnetV1/Conv2d_1a_3x3/BatchNorm/AssignMovingAvg:0”. shape=(32,). dtype=float32_ref) is not an element of this graph
人们通常如何处理这种情况（从.meta文件恢复图并将其输出张量连接到当前默认图的输入）？
我在网上搜索了一些与我的问题类似的东西（即连接两个不同图的输入和输出张量TensorFlow）。但我认为这仍然相当不同。
此外，还有一些类似的方法可以恢复“.ckpt”文件，但我认为它们仍然不是我所寻找的。
任何评论和指导都将不胜感激。谢谢。
回答：
你的问题在于with tf.Graph().as_default():会覆盖你的旧图：
另一个典型的用法涉及tf.Graph.as_default上下文管理器，它会在上下文的生命周期内覆盖当前的默认图。
简单地删除这行代码以保留旧图，如下所示：
import tensorflow as tfimport numpy as npconst_input_dummy = np.random.randn(1, 28)# 创建图并保存所有内容x = tf.placeholder(dtype=tf.float32, shape=[1, 28], name='plhdr')y = tf.layers.dense(x, 2, name='logits')with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(sess.run(y, {x: const_input_dummy})) saver = tf.train.Saver() saver.save(sess, './export/inception')# 重置到目前为止的所有内容（就像创建另一个脚本）tf.reset_default_graph()# 回答问题with tf.Session() as sess: # 导入旧图结构 restorer = tf.train.import_meta_graph('./export/inception.meta') # 获取从导入图中引用的张量 graph = tf.get_default_graph() x = graph.get_tensor_by_name("plhdr:0") y = graph.get_tensor_by_name('logits/BiasAdd:0') # 添加一些新操作（和变量） with tf.variable_scope('new_scope'): y = tf.layers.dense(y, 1, name='other_layer') # 初始化所有变量... sess.run(tf.global_variables_initializer()) # ...然后从文件中恢复变量 restorer.restore(sess, tf.train.latest_checkpoint('./export')) # 这将无错误地执行 print(sess.run(y, {x: const_input_dummy}))通常情况下，没有必要维护多个图。所以我建议只使用一个图进行工作。
