TensorFlow报错：'Session'对象无'_session'属性，求解决方案

嘿，这个问题我之前踩过相似的坑，确实是你使用tf.Graph()的方式出了问题！咱们一步步拆解来理清楚：

错误根源 #

你现在的代码里，所有变量（W1、Bias2这类）、占位符（X、Y）和计算节点都是在默认全局图里创建的，但你却用一个全新的loaded_graph来初始化Session——这就导致Session关联的图和变量所在的图完全不匹配，自然会抛出奇怪的属性错误。而且tf.train.Saver也是在默认图的上下文里创建的，它根本找不到你新图里的变量。

修正方案 #

你需要把整个网络的构建逻辑都包裹在新创建的图的默认上下文里，确保所有图元素都属于这个独立的图。修正后的代码大概是这样：

for i in range(num_networks):
    print("Neural network: {0}".format(i))

    # 创建新图，并把后续所有操作都放到这个图的上下文里
    loaded_graph = tf.Graph()
    with loaded_graph.as_default():
        # 所有占位符、变量、计算节点都在这里定义
        X = tf.placeholder(tf.float32)
        Y = tf.placeholder(tf.float32)

        W1 = tf.Variable(tf.random_uniform([n_input, n_hidden], -1.0, 1.0), name = 'W1')
        W2 = tf.Variable(tf.random_uniform([n_hidden, n_output], -1.0, 1.0), name = 'W2')

        b1 = tf.Variable(tf.zeros([n_hidden]), name="Bias1")
        b2 = tf.Variable(tf.zeros([n_output]), name="Bias2")

        L2 = tf.sigmoid(tf.matmul(X, W1) + b1)
        hy = tf.sigmoid(tf.matmul(L2, W2) + b2, name="op_to_restore")

        cost = tf.reduce_mean(-Y*tf.log(hy) - (1-Y)*tf.log(1-hy))
        optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

        init = tf.global_variables_initializer()
        # Saver也要在这个图的上下文里创建，这样它才能关联当前图的变量
        saver = tf.train.Saver()

    # 现在用这个正确关联了所有元素的图来启动Session
    with tf.Session(graph=loaded_graph) as sess:
        sess.run(init)
        # 后续的训练、保存操作都在这里执行
        ...

关键注意点 #

• 每次循环创建新网络时，都要把tf.Graph()的定义放在循环里，然后用with loaded_graph.as_default()把所有网络构建代码包起来。
• tf.train.Saver必须在对应的图上下文里初始化，否则它会绑定到默认图，找不到你新图里的变量。
• 启动Session时，明确指定graph=loaded_graph（或者像你之前那样把图传入Session构造器，两种方式都可以），确保Session和图的关联正确。

这样既解决了最初的变量名重复问题，也不会再出现Session的属性错误啦！

内容的提问来源于stack exchange，提问作者gonzalloe