张量流中模型加载的以下两种方式有什么区别？

Question

我正在使用tf.layers.batch_normalization API训练模型。在训练之后，我需要加载训练好的模型来对新数据进行预测。加载权重有两种方法，如下所示：

（1）：

saver1 = tf.train.Saver(tf.global_variables(), max_to_keep=10)
saver1.restore(sess, '{}'.format(args.restore_ckpt))

（2）：

saver2 = tf.train.import_meta_graph('{}.meta'.format(args.restore_ckpt))
saver2.restore(sess, '{}'.format(args.restore_ckpt))

我发现（1）可以产生很高的预测准确度（比如97%），但是（2）的准确度要低得多（比如59%）。这是否意味着（2）没有正确加载批量标准化层的权重？期待您的评论！

更新：

我发现，（1）加载的模型具有相同的预测精度，无论测试batch_size是什么。我尝试了批量大小为1和16，两种结果都有97％的准确度。

似乎加载了（2）的权重，我需要添加以下代码：

update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
    with tf.control_dependencies(update_ops):
        train_op = optimizer_op.minimize(loss_total_op, global_step=global_step)

然后它会产生高精度97%。也许我错误地理解批量标准化。