python之在同一个 tensorflow 导入中使用多个独立的神经网络

我构建了一个通用的 python 类，用于与使用“tf.saved_model.builder.SavedModelBuilder”保存的经过训练的神经网络进行交互。

当我使用给定的神经网络从类继承一次时，一切正常。然而，当我再次继承第二个具有不同架构的神经网络时， tensorflow 会抛出一个形状不适合的错误: “分配要求两个张量的形状匹配。lhs shape= [100,2] rhs shape= [400,4]”

这些形状属于两个不同的神经网络，但我不明白为什么 tensorflow 会记住第一个网络。

有没有简单的方法来解决这个问题？如果不是，在一个项目中使用多个神经网络的正确方法是什么？

这是类代码:

import tensorflow as tf 
 
 
# prevents tensorflow from using GPU 
config = tf.ConfigProto( 
  device_count={'GPU': 0} 
) 
 
 
class TFService(): 
 
  def __init__(self, netName, inputName, outputName): 
    # opens a tensorflow session to use continously 
    self.session = tf.Session(config=config) 
 
    # loads the trained neural net 
    importDir = 'ocr/neural_nets/{}'.format(netName) 
 
    tf.saved_model.loader.load( 
      self.session, 
      [tf.saved_model.tag_constants.SERVING], 
      importDir 
    ) 
 
    # saves the input and output tensors for the net 
    self.x = tf.get_default_graph().get_tensor_by_name(inputName) 
    self.y_pred = tf.get_default_graph().get_tensor_by_name(outputName) 
 
  def getPredictions(self, inputData): 
    # the object to feed the neural net 
    feed_dict = {self.x: inputData} 
 
    # runs the neural net and returns an array with the predictions 
    results = self.session.run(self.y_pred, feed_dict=feed_dict) 
 
    return results 

请您参考如下方法:

对不同的网络使用不同的图表。

你可以这样做:

def __init__(self, netName, inputName, outputName): 
    self.graph = tf.Graph() 
    # opens a tensorflow session to use continously 
    # use self.graph as graph the the session 
    self.session = tf.Session(config=config, graph=self.graph) 
 
 
    tf.saved_model.loader.load( 
      self.session, 
      [tf.saved_model.tag_constants.SERVING], 
      importDir 
    ) 
 
    # saves the input and output tensors for the net 
    self.x = self.graph.get_tensor_by_name(inputName) 
    self.y_pred = self.graph.get_tensor_by_name(outputName)