拥有多个tf.Graph有什么意义？
我正在考虑机器学习模型的超参数调整，其中模型本身就是一个图形，或者在同一个图形中将几个模型定义为断开连接的组件。
我理解有多个tf.Session是不好的，因为任务调度不能正确完成，所以我假设在一个会话中可能有多个tf.Graph个对象（尽管tf.Session(graph=...)请求区别但是这样做的重点是什么，而不是像tf.variable_scope那样有几个组件呢？主要是用tf.train.Saver保存的内容，在TensorBoard中可视化，等等？哪种方法更可取？模型是否应该共享一个图表，或者每个模型都有自己的超参数调整？
在代码库的其余部分使用tf.reset_default_graph(); sess = tf.InteractiveSession()并忘记tf.Graph和tf.Session似乎更简单。我错过了什么？
答案 0 :(得分：3)
如果您只有一个会话，那么拥有多个图表是没有意义的。会话链接到图表，因此如果您尝试从其他图表运行元素，则会出现xyz is not an element of this graph错误。
当您有多个会话时，有多个图表是有意义的。例如，假设您使用的是分布式TensorFlow，但也希望在本地进行一些计算。你可以做这样的事情
local_session = tf.Session("", graph=local_graph)
remote_session = tf.Session("grpc://...", graph=remote_graph)
但是，您可能会使用同一个tf.Graph对象的两个会话，但是TF_ExtendGraph中session.run对此对象will result的任何添加都会调用下一个[ant:scalac] error: error while loading <root>, Error accessing ... activation\1.0.2\48d628027388ba84af265623c1434a70
bffdc175\activation-1.0.2.jar
即使它是{该会议没有必要。换句话说，共享图表意味着在修改图表时向所有会话发送＆lt; = 2GB图形描述。