如何在多个TensorFlow会话中复用已保存的计算图？

我太懂这个坑了！你现在遇到的问题核心点很明确：两个独立的Session没有共享已恢复的变量状态。

你看，虽然你用graph.as_default()固定了计算图，但每个Session都是计算图的独立执行上下文——第一个Session里完成模型restore后，所有变量的初始化状态只存在于这个会话内部；第二个新Session启动时，相当于从零开始，根本没拿到之前加载的权重，所以才会报错所有变量都未初始化。

最直接的解决方案：共用同一个Session #

这是最简单也最推荐的做法，把模型加载和运行操作放在同一个Session里完成，代码改成这样：

graph = tf.get_default_graph()
with graph.as_default():
    with tf.Session() as sess:
        resSaver = tf.train.import_meta_graph(lastModel)
        resSaver.restore(sess, checkpoint_file)
        x = graph.get_operation_by_name("output/x").outputs[0]
        # 直接在这个会话里执行你的运行逻辑
        sess.run(x, feed_dict={...})

特殊场景：必须用两个Session的处理方式 #

如果因为某些特殊需求，你确实需要分开两个Session，那可以先在第一个Session里把所有变量的值保存下来，再在第二个Session里初始化后赋值：

graph = tf.get_default_graph()
with graph.as_default():
    with tf.Session() as load_sess:
        resSaver = tf.train.import_meta_graph(lastModel)
        resSaver.restore(load_sess, checkpoint_file)
        x = graph.get_operation_by_name("output/x").outputs[0]
        # 把所有全局变量的当前值存成字典
        all_var_values = {var.name: load_sess.run(var) for var in tf.global_variables()}
    
    with tf.Session() as run_sess:
        # 先初始化所有变量
        run_sess.run(tf.global_variables_initializer())
        # 把之前保存的变量值逐个赋值进去
        for var_name, value in all_var_values.items():
            # 注意变量张量的名称要加":0"后缀
            var_tensor = graph.get_tensor_by_name(f"{var_name}:0")
            run_sess.run(var_tensor.assign(value))
        # 现在可以正常运行了
        run_sess.run(x, feed_dict={...})

不过这种方法比较繁琐，除非真的有必要，否则优先用第一种方案。

总结一下：TensorFlow的Session是状态的载体，restore的变量状态只属于当前Session，跨Session不会自动共享，所以尽量让模型加载和运行在同一个会话里完成。

内容的提问来源于stack exchange，提问作者lorenzo