tensorflow和python基于bp神经网络预测_经过训练的神经网络用相同的数据产生不同的预测（TensorFlow）...

所以我做了一些测试，发现了以下关于这个问题的信息。

由于我一直试图重用我创建的模型，我不得不使用tf.global_variables_初始值设定项(). 通过这样做，它覆盖了我导入的图形，所有的值都是随机的，这解释了不同的网络输出。这仍然给我留下了一个需要解决的问题：如何加载我的网络？目前我使用的解决方法还不是最佳的，但它至少允许我使用我保存的模型。张量流允许给函数和所使用的张量指定唯一的名称。通过这样做，我可以通过图表访问它们：with tf.Session() as sess:

saver = tf.train.import_meta_graph('path to .meta')

saver.restore(sess, tf.train.latest_checkpoint('path to checkpoints'))

graph = tf.get_default_graph()

graph.get_tensor_by_name('name:0')

使用这个方法，我可以访问所有保存的值，但它们是分开的！这意味着每次操作我都有1倍的权重和1倍的偏差，这导致了一堆新的变量。如果您不知道这些名称，请使用以下内容：

^{pr2}$

这将打印集合名称(变量存储在集合中)print(graph.get_collection('name'))

这允许我们访问集合，查看变量的名称/键是什么。在

这导致了另一个问题。我不能再使用我的模型，因为全局变量初始值设定项覆盖了所有内容。因此，我不得不用我之前得到的权重和偏差手动重新定义整个模型。在

不幸的是，这是我唯一能想到的。如果有人有更好的主意，请告诉我。在

整件事情看起来是这样的：imports...

placeholders for data...

def my_network(data):

## network definition with tf functions ##

return output

def train_my_net():

prediction = my_network(data)

cost function

optimizer

with tf.Session() as sess:

for i in how many epochs i want:

training routine

save

def use_my_net():

prediction = my_network(data)

with tf.Session() as sess:

sess.run(tf.global_variables_initializer())

saver = tf.train.import_meta_graph('path to .meta')

saver.restore(sess, tf.train.latest_checkpoint('path to checkpoints'))

print(sess.run(prediction.eval(feed_dict={placeholder:data})))

graph = tf.get_default_graph()