如何重置tf.estimator.Estimator参数？使用tf.Graph()遇错求指导

咱们先分析下你遇到的错误原因：
你直接调用tf.get_variable("output_0/bias")时，Estimator还没有完成计算图的构建。Estimator是高度封装的API，只有当你调用它的train()/evaluate()/predict()方法，或者显式触发模型初始化时，它才会内部构建完整的计算图并加载变量。此时你只是实例化了Estimator对象，TensorFlow无法推断变量的具体形状，所以抛出了"Shape must be fully defined"的错误。

下面给你几个实用的解决方案，按推荐程度排序：

方法一：用Estimator内置的warm_start_from（最推荐） #

这是官方专门为迁移模型参数设计的功能，无需手动操作变量，直接在创建新Estimator时指定旧模型路径即可自动匹配加载变量：

基础用法（加载所有匹配变量） #

clf2 = tf.estimator.Estimator(
    model_fn=my_w2d.model_fn_wide2deep,
    params=param,
    model_dir="/Users/zhouliaoming/data/credit_dnn/model_retrain/genev2_s0/",
    # 指定旧模型的目录，TensorFlow会自动找最新的ckpt文件
    warm_start_from="/Users/zhouliaoming/data/credit_dnn/model_retrain/rm_gene_v2_sall/"
)

精细控制（只加载特定变量） #

如果只需要迁移部分变量（比如你例子里的output_0/bias），可以用WarmStartSettings做正则匹配：

warm_start_settings = tf.estimator.WarmStartSettings(
    ckpt_to_initialize_from="/Users/zhouliaoming/data/credit_dnn/model_retrain/rm_gene_v2_sall/",
    # 用正则表达式指定要加载的变量，这里匹配output_0下的所有变量
    vars_to_warm_start="output_0/.*"
)

clf2 = tf.estimator.Estimator(
    model_fn=my_w2d.model_fn_wide2deep,
    params=param,
    model_dir="/Users/zhouliaoming/data/credit_dnn/model_retrain/genev2_s0/",
    warm_start_from=warm_start_settings
)

方法二：在model_fn内部自定义加载逻辑 #

如果你需要更灵活的变量赋值操作，可以在模型的model_fn里嵌入加载逻辑，通过Scaffold指定初始化函数：

def model_fn(features, labels, mode, params):
    # 构建你的Wide&Deep模型，注意这里要明确变量的形状
    output_bias = tf.get_variable("output_0/bias", shape=[1])  # 根据你的任务调整形状
    
    if mode == tf.estimator.ModeKeys.TRAIN:
        # 定义加载旧模型变量的操作
        saver = tf.train.Saver({"output_0/bias": output_bias})
        def init_old_params(scaffold, sess):
            # 替换成旧模型具体的ckpt文件名（比如model.ckpt-1000）
            saver.restore(sess, "/Users/zhouliaoming/data/credit_dnn/model_retrain/rm_gene_v2_sall/model.ckpt-XXXX")
        
        # 用Scaffold把初始化函数传入Estimator
        scaffold = tf.train.Scaffold(init_fn=init_old_params)
        
        # 后续的损失计算、训练操作...
        loss = ...
        train_op = tf.train.AdamOptimizer().minimize(loss)
        
        return tf.estimator.EstimatorSpec(
            mode=mode,
            loss=loss,
            train_op=train_op,
            scaffold=scaffold
        )
    # 处理EVAL、PREDICT模式的逻辑...

# 创建新Estimator
clf2 = tf.estimator.Estimator(
    model_fn=model_fn,
    params=param,
    model_dir="/Users/zhouliaoming/data/credit_dnn/model_retrain/genev2_s0/"
)

方法三：显式触发模型图构建后手动赋值 #

如果你一定要在外部操作变量，可以先触发Estimator构建计算图，再手动加载赋值：

import numpy as np

# 构造一个和你的输入特征匹配的 dummy 数据，用来触发模型图构建
dummy_features = np.zeros((1, 你的特征维度))  # 替换成实际的特征形状

# 触发第一个Estimator加载旧模型参数
next(clf_.predict(input_fn=lambda: tf.data.Dataset.from_tensor_slices(dummy_features).batch(1)))

# 触发第二个Estimator构建图
next(clf2.predict(input_fn=lambda: tf.data.Dataset.from_tensor_slices(dummy_features).batch(1)))

# 在会话中完成变量赋值并保存
with tf.Session() as sess:
    # 获取旧模型的bias值
    old_bias_val = sess.run(clf_.get_variable_value('output_0/bias'))
    # 获取新模型的bias变量并赋值
    new_bias_var = clf2.get_variable_value('output_0/bias')
    assign_op = tf.assign(new_bias_var, old_bias_val)
    sess.run(assign_op)
    
    # 保存新模型的参数
    saver = tf.train.Saver()
    saver.save(sess, f"{clf2.model_dir}/model.ckpt")

总结一下：优先用方法一，既简单又符合官方最佳实践；如果需要自定义变量迁移逻辑，再考虑方法二或三。

内容的提问来源于stack exchange，提问作者Jason Zhou