TensorFlow:恢复的变量似乎是随机的

Question

我在恢复一些变量时遇到了问题。当我在更高的层次上保存整个模型时，我已经恢复了变量，但这次我决定只恢复几个变量。在第一个会话之前，我初始化权重：

weights = {
'1': tf.Variable(tf.random_normal([n_input, n_hidden_1], mean=0, stddev=tf.sqrt(2*1.67/(n_input+n_hidden_1))), name='w1')
}
weights_saver = tf.train.Saver(var_list=weights)

然后，在会话中，当我训练NN时：

with tf.Session(config=tf.ConfigProto(gpu_options=gpu_options)) as sess:
[...]
weights_saver.save(sess, './savedModels/Weights/weights')

然后：

with tf.Session() as sess:
    new_saver = tf.train.import_meta_graph(pathsToVariables + 'Weights/weights.meta')
    new_saver.restore(sess, pathsToVariables + 'Weights/weights')

    weights = 
    {
    '1': tf.Variable(sess.graph.get_tensor_by_name("w1:0"), name='w1', trainable=False)
    }

    sess.run(tf.global_variables_initializer())
    print(sess.run(weights['1']))

但在这一点上，恢复的权重似乎是随机的。事实上，如果我再次执行sess.run(tf.global_variables_initializer())，权重将会不同。就好像，我恢复了权重初始化的正常功能，但没有恢复训练权重。

我做错了什么？

我的问题清楚了吗？

Answer 1

 weights = 
    {
    '1': tf.Variable(sess.run(sess.graph.get_tensor_by_name("w1:0")), name='w1', trainable=False)
    }

我找到了答案。我需要运行张量来获得值。现在这一点似乎很明显。

编辑2：

这种方式不是从其他值初始化张量的好方法，因为当我们恢复并创建张量时，它将创建2个具有相同名称的张量。或者，如果名称不同，它将恢复过去模型中的变量，并可能稍后尝试对其进行优化。最好恢复前一个会话中的变量，存储这些值，然后关闭会话，打开一个新会话以创建其他所有内容。

 with tf.session() as sess: 
    weight1 = sess.run(sess.graph.get_tensor_by_name("w1:0"))

 tf.reset_default_graph() #this will eliminate the variables we restored

 with tf.session() as sess:
    weights = 
       {
       '1': tf.Variable(weight1 , name='w1-bis', trainable=False)
       }
...

我们现在可以确定恢复的变量不是图的一部分。