你遇到的问题很常见——copy.deepcopy()没法直接复制TensorFlow模型对象，核心原因是：

• 模型里的tf.Variable、tf.placeholder都是TensorFlow计算图的节点，它们的状态（比如训练好的权重）存储在TensorFlow会话（sess）中，而不是单纯的Python对象属性。
• 深拷贝只能复制Python层面的对象引用，没法同步计算图节点的关联关系，也没法把会话里的参数值转移到新对象中。

通用解决方案：手动实现模型克隆 #

我们可以给Model类添加一个clone方法，通过重新构建模型结构+复制参数值的方式实现完整的模型复制。具体步骤是：

1. 创建一个全新的Model实例（重新构建所有计算图节点）
2. 从原模型中读取训练好的参数值
3. 在会话中将这些值赋值给新模型的对应变量

修改后的完整代码 #

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import argparse
import sys
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

FLAGS = None

class Model():
    def __init__(self):
        self.x = tf.placeholder(tf.float32, [None, 784])
        self.W = tf.Variable(tf.zeros([784, 10]))
        self.b = tf.Variable(tf.zeros([10]))
        self.y = tf.matmul(self.x, self.W) + self.b
        self.y_ = tf.placeholder(tf.float32, [None, 10])
        self.cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=self.y_, logits=self.y))
        self.train_step = tf.train.GradientDescentOptimizer(0.5).minimize(self.cross_entropy)
        # 收集所有需要复制的可训练变量（这里是W和b）
        self._trainable_vars = {var.name: var for var in [self.W, self.b]}

    def train(self, mnist, sess):
        for _ in range(1000):
            batch_xs, batch_ys = mnist.train.next_batch(100)
            sess.run(self.train_step, feed_dict={self.x: batch_xs, self.y_: batch_ys})

    def test(self, mnist, sess):
        correct_prediction = tf.equal(tf.argmax(self.y, 1), tf.argmax(self.y_, 1))
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
        print(f"模型准确率: {sess.run(accuracy, feed_dict={self.x: mnist.test.images, self.y_: mnist.test.labels})}")
    
    def clone(self, sess):
        """克隆当前模型，复制所有训练好的参数"""
        # 创建新的模型实例（重新构建计算图节点）
        cloned_model = Model()
        # 读取原模型的参数值
        original_var_values = sess.run(self._trainable_vars)
        # 将参数值赋值给新模型的变量
        for var_name, var in cloned_model._trainable_vars.items():
            sess.run(var.assign(original_var_values[var_name]))
        return cloned_model

def main(_):
    # 导入数据
    mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
    m = Model()
    sess = tf.InteractiveSession()
    tf.global_variables_initializer().run()
    
    # 训练原模型
    m.train(mnist, sess)
    # 克隆模型（替换原来的copy.deepcopy）
    copy_of_m = m.clone(sess)
    
    # 测试两个模型的准确率（应该完全一致）
    print("原模型测试结果：")
    m.test(mnist, sess)
    print("克隆模型测试结果：")
    copy_of_m.test(mnist, sess)

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data', help='Directory for storing input data')
    FLAGS, unparsed = parser.parse_known_args()
    tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)

为什么这个方法有效？ #

• 新模型会创建一套独立的计算图节点，避免和原模型的节点产生命名或依赖冲突
• 通过var.assign()方法，我们直接将原模型训练好的权重值写入新模型的变量中，保证参数完全一致
• 克隆后的模型可以独立使用（比如继续训练、测试），不会影响原模型的状态

扩展方案：使用tf.train.Saver #

如果你的模型结构复杂，也可以用TensorFlow的Saver类来实现模型的保存与加载：

1. 用tf.train.Saver()保存原模型的参数到磁盘
2. 创建新的Model实例，再用Saver加载参数到新模型中

不过对于这种简单模型，上面的clone方法更轻量直接。

内容的提问来源于stack exchange，提问作者ViniciusArruda