TensorFlow中多模型载入，以及多种加载参数的方式

最近做一个课题，要讲两个网络接在一起，自己摸索了好几天，查阅了h各种资料，最后勉强解决了问题.下面总结一下：

首先是保存参数的方法：
我最初都是用的最简单的方式保存图的参数，然后加载图的参数，见下面代码：

 saver = tf.train.Saver()
 saver.restore(sess, args.dir_models + 'model.ckpt')#加载模型
 saver.save(sess, (args.dir_models + 'model.ckpt'))#保存模型

相信大家这个都会，也是最开始接触的方式，但是遇到后面多模型导入，指定参数导入，就会不知所措。

下面就说明一下怎么多模型参数导入，不用声明两个sess，那样子我试过，被坑了。
看下面代码：（有注释）

 var = tf.global_variables()#取出全局中所有的参数
 var_flow_restore = [val for val in var if 'flownet' in val.name]#取出名字中有‘flownet’的参数
 saver = tf.train.Saver(var_flow_restore)#这句话就是关键了，可以网Saver中传参数
 saver.restore(sess, flow_model_dir + 'model.ckpt')#然后就往sess对应的图中导入了参数（var_flow_restore）

上面就导入了一个模型中自己想要导入的参数（这里我导入的是带有‘flownet’关键字的参数）

好了，在介绍一种导入参数的形式：（我感觉有缺陷）

exclude = ['discriminator','flownet']
variables_to_restore = slim.get_variables_to_restore(exclude=exclude)
#这是slim 自带的方法，就是加载了所有变量，但是这些变量不包括带有['discriminator','flownet']关键字的参数，这里的['discriminator','flownet']只能位于参数名字的开头（这就是缺陷，要是我想去除的关键字不在参数名字开头呢）

saver = tf.train.Saver(variables_to_restore)
saver.restore(sess, old_model_dir_model + 'snap-0')

最后介绍一种导入参数方法：

vars_list = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES，scope='导入参数的最开头的名字，也就是命名空间')
# print(vars_list)
 assign_ops = []
 for var in vars_list:
     # print('var_value:',var.value)
     vname = var.name
     from_name = vname
     # print('from_name:',from_name)
     var_value = tf.contrib.framework.load_variable(args.checkpoint_dir, from_name)
     # print('var_value:',var_value)
     assign_ops.append(tf.assign(var, var_value))

sess.run(assign_ops)

我研究了以上几种参数导入方法，最后我觉得第一种是最好的,下面是我用第一种方法导入另外一个模型代码：

variables_to_restore = [val for val in tf.global_variables() if 'inpaint_net' in val.name and 
                         'Adam' not in val.name and 'Adam_1' not in val.name]
saver = tf.train.Saver(variables_to_restore)
saver.restore(sess, old_model_dir_model + 'snap-0')

可以思考一下。

最后保存模型，也希望值保存自己想要保存的参数
说白了，就是网tf.train.Saver()中传入参数列表（list）
见代码

saver = tf.train.Saver(自己想要保存的参数list)
saver.save(sess,(model_dir_model+ 'model.ckpt'))

好了。总结完毕！