我在Tensorflow Hub: Fine-tune and evaluate的另一个场合问了这个问题，但没有得到任何答复。此外，我还提出了Github issue，但仍在等待答复。但是，如果有人可以指出正确的方向，我将再次提出这个问题。
我面临的问题与一段时间内优化Tensorflow Hub模块，在验证集上对其进行评估，再次对其进行微调，在验证集上对其进行评估并进行迭代有关。特别是，我想在训练模式下加载Tensorflow Hub模块，假设它是Resnet152：
resnet = hub.Module("https://tfhub.dev/google/imagenet/resnet_v2_152/feature_vector/3", trainable=True, tags={"train"})
有一个占位符，指示模块是处于training还是evaluation模式：
is_training = tf.placeholder_with_default(False, None)
从中提取特征，同时指示模块处于training还是evaluation模式并进一步传播它们：
features = resnet(images, signature="image_feature_vector", training=is_training)
dense = tf.layers.dense(features, 10)
然后，训练整个图的时间，然后对验证集执行评估：
epochs = 5
with tf.Session() as sess:
for _ in epochs:
sess.run(train_step, feed_dict={is_training:True})
sess.run(val_step)
要正确执行此操作，必须有一种方法可以动态关闭模块的batch-norm和dropout，这是我不知道怎么做的方法。请注意，使用training=is_training是错误的，因为模块上的training属性不存在。
期待您的回答！