在tensorflow中，如何将某些variable_scope变量恢复到另一个某个variable_scope？

Question

现在我已经训练了一个模型A，我需要两个模型A实例，因为其中一个实例是固定的，无法用于输出，另一个可用于下一个网络。 我设计了两个variable_scope A_train和A_untrain ，我在A variable_scope预训了A_untrain模型，并在这个范围，代码如：

saver_untrain = tf.train.Saver(tf.get_collection(
                                   tf.GraphKeys.GLOBAL_VARIABLES,
                                   'A_untrain'))
saver_path = '~/models/model.ckpt'
# here pre-train model A
saver_untrain.save(sess, saver_path)

现在我需要将相同的模型A参数恢复到范围A_train中的相同模型中，但我无法遵循之前的代码，因为ckpt文件会恢复A_untrain/input_w1 instread之类的参数A_train/input_w1。我想知道我的问题是否有解决方案，或者是一个更好的解决方案来制作两个实例，其中一个是可训练的，另一个是无法解决的。非常感谢。

EDIT_1 ：我知道我可以意识到我需要使用以下代码：

saver_train = tf.train.Saver({'A_untrain/input_w1': A_train.input_w1})

但是当我的变量数量很大时，这将是不切实际的，所以我需要使用variable_scope来恢复而不是特定变量的名称。

Answer 1

我终于通过numpy找到了解决方案。我们可以以'* .npy'的格式保存训练好的参数。当我们需要加载参数时，我们可以np.load npy文件，然后在Session中调用tf.assign()来分配值。无论你的变量是什么，它都能正常工作。