嘿，针对你这个ASL字母和数字分类的项目，我来给你详细说说怎么在TensorFlow会话里加载、切换甚至卸载这两个模型的图——毕竟你分开训练了数字和字母两个模型，得灵活切换对吧？

1. 单个模型图的加载方法 #

首先，不管是数字还是字母模型，加载的核心是导入图定义和恢复训练好的权重。这里我给你写个可复用的函数：

import tensorflow as tf

# 加载数字模型的函数
def load_number_model():
    # 重置默认图（避免和之前的图冲突）
    tf.compat.v1.reset_default_graph()
    # 创建会话
    sess = tf.compat.v1.Session()
    # 导入图定义文件（.meta文件）
    saver = tf.compat.v1.train.import_meta_graph('./number_logs/model.ckpt.meta')
    # 加载最新的权重 checkpoint
    saver.restore(sess, tf.compat.v1.train.latest_checkpoint('./number_logs/'))
    # 获取当前图对象
    graph = tf.compat.v1.get_default_graph()
    # 取出你需要的输入、输出张量（注意名称要和训练时一致）
    # 如果你用官方retrain脚本训练，输入通常是'input:0'，输出是'final_result:0'
    input_tensor = graph.get_tensor_by_name('input:0')
    output_tensor = graph.get_tensor_by_name('final_result:0')
    return sess, graph, input_tensor, output_tensor

# 加载字母模型的函数，只需要替换路径即可
def load_letter_model():
    tf.compat.v1.reset_default_graph()
    sess = tf.compat.v1.Session()
    saver = tf.compat.v1.train.import_meta_graph('./letters_logs/model.ckpt.meta')
    saver.restore(sess, tf.compat.v1.train.latest_checkpoint('./letters_logs/'))
    graph = tf.compat.v1.get_default_graph()
    input_tensor = graph.get_tensor_by_name('input:0')
    output_tensor = graph.get_tensor_by_name('final_result:0')
    return sess, graph, input_tensor, output_tensor

2. 在会话中切换（加载/卸载）图的两种方案 #

方案1：重置默认图 + 重新加载（简单直接） #

如果你的场景不需要同时运行两个模型，这种方法最省心——每次切换前关闭当前会话，重置默认图，再加载新模型：

# 第一步：加载数字模型并使用
sess, num_graph, num_input, num_output = load_number_model()
# 用数字模型做预测，比如：
# num_prediction = sess.run(num_output, feed_dict={num_input: your_image_data})

# 第二步：切换到字母模型
sess.close()  # 关闭当前会话，释放资源
tf.compat.v1.reset_default_graph()  # 清空当前默认图，相当于"卸载"之前的图
sess, letter_graph, letter_input, letter_output = load_letter_model()
# 现在可以用字母模型做预测了

方案2：独立图对象 + 多会话（适合同时保留两个模型） #

如果需要同时加载两个模型（比如快速切换预测），可以为每个模型创建独立的图对象，各自绑定会话，互不干扰：

# 加载数字模型到独立图中
num_graph = tf.Graph()
with num_graph.as_default():
    num_saver = tf.compat.v1.train.import_meta_graph('./number_logs/model.ckpt.meta')
    num_sess = tf.compat.v1.Session(graph=num_graph)
    num_saver.restore(num_sess, tf.compat.v1.train.latest_checkpoint('./number_logs/'))
    num_input = num_graph.get_tensor_by_name('input:0')
    num_output = num_graph.get_tensor_by_name('final_result:0')

# 加载字母模型到另一个独立图中
letter_graph = tf.Graph()
with letter_graph.as_default():
    letter_saver = tf.compat.v1.train.import_meta_graph('./letters_logs/model.ckpt.meta')
    letter_sess = tf.compat.v1.Session(graph=letter_graph)
    letter_saver.restore(letter_sess, tf.compat.v1.train.latest_checkpoint('./letters_logs/'))
    letter_input = letter_graph.get_tensor_by_name('input:0')
    letter_output = letter_graph.get_tensor_by_name('final_result:0')

# 随时切换使用两个模型
num_pred = num_sess.run(num_output, feed_dict={num_input: your_image_data})
letter_pred = letter_sess.run(letter_output, feed_dict={letter_input: your_image_data})

# 用完后记得关闭所有会话释放资源
num_sess.close()
letter_sess.close()

3. 关键注意事项 #

• 张量名称要准确：如果不确定输入输出的张量名称，可以用TensorBoard打开日志文件夹查看，或者在训练时记录好名称。官方retrain脚本的输入通常是input:0或DecodeJpeg/contents:0，输出是final_result:0。
• 资源释放：每次关闭会话或者重置图，都是在释放内存资源，避免内存泄漏，尤其是在长时间运行的程序里一定要注意。
• Checkpoint路径：确保tf.train.latest_checkpoint能找到你的ckpt文件，一般只要日志文件夹里有checkpoint文件和对应的ckpt文件就没问题。

内容的提问来源于stack exchange，提问作者Jibreel