我在张量流中定义了一个函数，如下所示：
def generator(keep_prob, z, out_channel_dim, alphag1, is_train=True):
"""
Create the generator network
:param z: Input z
:param out_channel_dim: The number of channels in the output image
:param is_train: Boolean if generator is being used for training
:return: The tensor output of the generator
"""
# TODO: Implement Function
# when it is training reuse=False
# when it is not training reuse=True
alpha=alphag1
with tf.variable_scope('generator',reuse=not is_train):
layer = tf.layers.dense(z, 3*3*512,activation=None,\
kernel_initializer=tf.contrib.layers.xavier_initializer(uniform=False))
layer = tf.reshape(layer, [-1, 3,3,512])
layer = tf.layers.batch_normalization(layer, training=is_train)
layer = tf.maximum(layer*alpha, layer)
#layer = layer+tf.random_normal(shape=tf.shape(layer), mean=0.0, stddev=0.0001, dtype=tf.float32)
#layer = tf.nn.dropout(layer,keep_prob)
layer = tf.layers.conv2d_transpose(layer, 256, 4, strides=2, padding='same',\
kernel_initializer=tf.contrib.layers.xavier_initializer_conv2d(uniform=False))
layer = tf.layers.batch_normalization(layer, training=is_train)
layer = tf.maximum(layer*alpha, layer)
#layer = layer+tf.random_normal(shape=tf.shape(layer), mean=0.0, stddev=0.00001, dtype=tf.float32)
#layer = tf.nn.dropout(layer,keep_prob)
layer = tf.layers.conv2d_transpose(layer, 128, 4, strides=2, padding='same',\
kernel_initializer=tf.contrib.layers.xavier_initializer_conv2d(uniform=False))
layer = tf.layers.batch_normalization(layer, training=is_train)
layer = tf.maximum(layer*alpha, layer)
#layer = layer+tf.random_normal(shape=tf.shape(layer), mean=0.0, stddev=0.000001, dtype=tf.float32)
#layer = tf.nn.dropout(layer,keep_prob)
layer = tf.layers.conv2d_transpose(layer, 64, 4, strides=2, padding='same',\
kernel_initializer=tf.contrib.layers.xavier_initializer_conv2d(uniform=False))
layer = tf.layers.batch_normalization(layer, training=is_train)
layer = tf.maximum(layer*alpha, layer)
#layer = layer+tf.random_normal(shape=tf.shape(layer), mean=0.0, stddev=0.0000001, dtype=tf.float32)
#layer = tf.nn.dropout(layer,keep_prob)
layer = tf.layers.conv2d_transpose(layer, out_channel_dim, 4, strides=2, padding='same',\
kernel_initializer=tf.contrib.layers.xavier_initializer_conv2d(uniform=False))
#layer = layer+tf.random_normal(shape=tf.shape(layer), mean=0.0, stddev=0.00000001, dtype=tf.float32)
layer = tf.tanh(layer)
return layer
这是复杂的，因此难以跟踪每层中的每个变量。之后我使用tf.train.Saver（）和saver.save来训练后保存所有内容。
现在我想恢复这个功能，这样我就可以用它来做进一步的操作，同时保持每层的训练重量不变。
我在网上发现大多数函数如tf.get_default_graph（）。get_tensor_by_name或其他一些函数仅限于恢复变量的值但不恢复此函数。
例如，此函数发生器的输入z（keep_prob，z，out_channel_dim，alphag1，is_train = True）是来自另一个函数的张量。我想恢复这个功能，这样我可以使用两个新的张量z1和z2，其形状与z相同。
layer1 = generator(keep_prob, z1, out_channel_dim, alphag1, is_train=False)
layer2 = generator(keep_prob, z2, out_channel_dim, alphag1, is_train=False)
layer = layer1 - layer2
我可以把这个新的张量层放到另一个函数中。这里layer1和layer2使用带有保存权重的函数。
困难的是，当我使用函数生成器时，我必须使用Saver（）存储的trianed权重来指定它。我发现很难用它的权重指定这个函数。对于，1。太多层要跟踪和2.我不知道如何为tf.layers.conv2（）指定权重。
那么有谁知道如何解决这个问题？
这是一个普遍的问题：我将整个模型保存到文件中，需要将模型的一部分恢复为新模型的一部分。
这里name_map是一个字典：键是图中的新名称，值是ckpt文件中的名称。
def get_restore_saver(self, name_map, restore_optimise_var=True):
var_grp = {_.op.name:_ for _ in tf.global_variables()}
varm = {}
for main_name in var_grp:
if main_name in name_map:
varm[name_map[main_name]] = var_grp[main_name]
elif restore_optimise_var: # I use adam to optimise
var_arr = main_name.split('/')
tail = var_arr[-1]
_ = '/'.join(var_arr[: -1])
if tail in ['Adam', 'Adam_1', 'ExponentialMovingAverage'] and _ in name_map:
varm[name_map[_] + "/" + tail] = var_grp[main_name]
return tf.train.Saver(varm)
为什么需要恢复功能，这甚至意味着什么？如果需要使用模型，则必须恢复相应的图形。您的函数所做的是定义图的节点。您可以使用您的函数再次构建或重建该图形，然后使用Saver（）加载存储在某处的权重，或者您可以从protobuf文件恢复图形。
为了重建图形，尝试调用你的函数output_layer=generator(keep_prob, z, out_channel_dim, alphag1, is_train=True)，而不是像往常一样使用Saver类来恢复权重。您的函数不计算，它定义图的一部分或全部。所有计算都由图表执行。
在最后一种情况下，你会发现以下thread有用。通常，您需要知道输入和输出图层的名称。这可以通过the code获得：
[n.name for n in tf.get_default_graph().as_graph_def().node]
经过长时间的搜索，似乎以下是一个解决方案。
事先定义所有变量，即layer1 = generator（keep_prob，z1，
out_channel_dim, alphag1, is_train=False)
layer2 = generator(keep_prob, z2, out_channel_dim, alphag1, is_train=False)
layer = layer1 - layer2.
现在您可以使用tf.get_collection来查找运算符。
似乎tensorflow不会给你预先定义的函数。它仅保留图形和值，但不保留函数形式。人们需要在图表中设置所需的一切，或者应该跟踪每个权重，甚至太多。