【发布时间】：2017-04-18 10:46:57
【问题描述】：
我有四个具有相同结构的不同模型，它们被用作“主要”问题的预测器。每次在“主要”问题中，我都会调用其中一个来提供预测。此外，使用新的观察，我更新了每个网络的权重。
目前，为了区分模型，我将它们保存在四个不同的ckpt 模型中，然后我每次都加载它们以进行预测或更新。网络更新后，我再次保存。
这个程序效果很好。问题是初始化变量、加载模型并再次保存它太昂贵了。每次调用网络进行更新，大约需要 10 秒，其中大约 1 秒用于训练，时间提醒用于初始化、加载和保存。
作为另一种方法，我尝试让模型留在内存中。但是，由于我有一个dnn.py，我为四个问题中的每一个都称为它，因此变量、参数等的名称是相同的。所以，TensorFlow 对它们感到困惑，它就是行不通的。
由于我可能有四个以上的预测变量（甚至像 22 个），因此创建四个具有不同变量名称的不同 dnn.py 是不合理的。
如果能以有效的方式编写程序，我将不胜感激。
最好的，
阿夫辛
【问题讨论】：
-
为每个训练步骤从磁盘读取变量听起来效率低下，您应该重新组织网络以将这些值保存在内存中，即使用 variable_scope 将不同的变量集分开
-
嗨，@YaroslavBulatov - 你能把它复制到答案中吗？谢谢！
标签： tensorflow resuming-training