如果我有一个来自Google的训练好的Imagnet模型（inception-resnet-v2），这个模型实际上会给我两个输出：logits，以及一个名为end_points的列表，我可以从中提取出已经通过softmax激活的最终预测层，即一个名为predictions的变量。然而，这并不能明确给我提供预测所需的类别标签。为此，我必须在定义了train_op之后，在图中使用label = tf.argmax(predictions, 1)，以免影响原始计算。

或者，我可以使用np.argmax(sess.run(predictions), 1)，这是在图外计算的。

我的问题是，如果我选择第一种方法，会不会消耗更多的内存，并影响我的计算（就我可以使用的batch_size而言）？仅仅在图外计算必要的标签是否更安全、更好？

回答：

当你发出多个.run调用时，图定义会被缓存。如果你修改了图，它将需要重新编码并再次发送。因此，第一次运行修改后的图时，可能会使用graph_def.SerializeToString额外占用一些内存，但这不应该影响之后的.run步骤。

相关逻辑在session.py中，请注意检查self._graph.version > self._current_version的行

 def _extend_graph(self):    # 确保对图的任何更改都反映在运行时中。    with self._extend_lock:      if self._graph.version > self._current_version:        # pylint: disable=protected-access        graph_def, self._current_version = self._graph._as_graph_def(            from_version=self._current_version,            add_shapes=self._add_shapes)        # pylint: enable=protected-access        with errors.raise_exception_on_not_ok_status() as status:          tf_session.TF_ExtendGraph(              self._session, graph_def.SerializeToString(), status)        self._opened = True