tf中线程与graph读取的关系

def import_graph_fun(pb_model_name):
    output_graph_def = tf.GraphDef()
    with open(pb_model_name, "rb") as f:
        output_graph_def.ParseFromString(f.read())
        tf.import_graph_def(output_graph_def, name="")
    sess = tf.Session()
    # other code

当我们训练好模型之后，将模型存储成pb格式，然后上面这段代码是读取该文件，一直以来都没有问题，直到有一天当我们需要在一个线程中运行多个模型的时候报错，报错的内容大概就是在预测阶段，不能从graph中找到对应节点。

之前我们都知道在tf框架中：1. 所有的graph都要在session中运行，并且一个session中只能运行一个graph，但是同样的graph可以在不同的session中运行； 2. 如果没有指定graph，框架会为我们生成默认的graph；3. 所有的op操作都会添加到模型的graph上。

其实进行到了这里，基本就能解开上面说的报错的原因：如果我们在一个线程中跑多个graph，我们就必须要有多个session，并且要给每个session绑定它对应的graph，之所以在一个线程中只跑一个图一直没出错是因为就一个图，默认这个图就是绑定了这个session的，不存在歧义。

其实我当时在写这里的时候有个疑问：这条语句graph_def.ParseFromString(f.read())是从pb文件中将序列化的graph解析出来，然后根据这条语句tf.import_graph_def(graph_def, name=“”)将这个graph_def导入，那么问题是这个导入是导入到了哪里？该接口并没有将graph return回来，它去了哪里，我们怎么拿到它？答案是：该接口直接将import出来的graph中所有的op添加到了它对应的上下文的graph中，想要获取它，就要先构造一个上下文环境，然后才能拿到这个graph，具体代码为：

def import_graph_fun(pb_model_name):
    output_graph_def = tf.GraphDef()
    with open(pb_model_name, "rb") as f:
        output_graph_def.ParseFromString(f.read())
        
        # 注意：这条语句非常重要,通过接口as_default()构建了一个上下文环境，此时tf.import_graph_def就是将op添加到了这个环境所对应的graph中，也就是g_
        with tf.Graph().as_default() as g_:
            tf.import_graph_def(output_graph_def, name="")
    
    # 这里指定一下这个sess1绑定的是g_
    sess1 = tf.Session(graph=g_)
    # other code

 

如此，就可以work了。

总结：graph是跟线程相关的。