如果我有一个来自 Google 的经过训练的 Imagnet 模型 (inception-resnet-v2)，并且该模型实际上返回了两个输出:logits，以及一个名为 end_points 的列表，我可以在其中提取最终结果已使用 softmax 激活执行的预测层，即称为 predictions 的变量。但是，这并不能明确地给我预测所需的类标签。为此，我要么必须执行 label = tf.argmax(predictions, 1) 在我在图中定义了 train_op，这样我就不会影响原始计算。
或者，我可以使用从图中计算出的 np.argmax(sess.run(predictions), 1)。
我的问题是，如果我选择第一种方法，它会消耗更多内存并影响我的计算(就我可以使用的 batch_size 而言)吗？仅从图中计算必要的标签是否更安全、更好？
请您参考如下方法:
当您发出多个 .run 时调用，图形定义被缓存。如果您修改 Graph，则需要重新编码并再次发送。所以 graph_def.SerializeToString 可能使用了一些额外的内存第一次运行修改后的图形，但它不应该影响 .run之后的步骤。
相关逻辑在session.py , 请注意检查 self._graph.version > self._current_version 的行
def _extend_graph(self):
# Ensure any changes to the graph are reflected in the runtime.
with self._extend_lock:
if self._graph.version > self._current_version:
# pylint: disable=protected-access
graph_def, self._current_version = self._graph._as_graph_def(
from_version=self._current_version,
add_shapes=self._add_shapes)
# pylint: enable=protected-access
with errors.raise_exception_on_not_ok_status() as status:
tf_session.TF_ExtendGraph(
self._session, graph_def.SerializeToString(), status)
self._opened = True
