最近在做实验的时候遇到，代码需要运用已经训练好的模型，进行一些数据的计算，并给出计算结果，这部分代码的结构大致如下：

# new tensor define
new_tensor = …
# old model defin
old_model = model()
# load checkpoint
var_to_restore = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope=…)
restorer_attrib = tf.train.Saver(var_to_restore)
ckpt = tf.train.get_checkpoint_state(…)  
if ckpt and ckpt.model_checkpoint_path:
restorer_attrib.restore(sess, ckpt.model_checkpoint_path)
…
# initial value
sess.run(tf.global_variables_initializer())
# run sess get value
sess.run([…])

但是代码在运行的时候发现，同样一组数据，每次运行代码后，获得的从之前训练好的模型中得到的输出，每次运行结果都不同，检查中发现系列问题：
1.使用的TensorFlow中的tensorflow.contrib.slim.nets中的resnet_v2中，在定义resnet_v2中，测试中需要将is_training参数设置为False
2.测试中，要将网络中使用的tf.nn.dropout的keep_prob为1
在设置完这些内容后，发现依旧还是每次获得不同结果，经过仔细检查发现问题来源在于，在load checkpoint的代码完成之后，代码中运行了下列代码
sess.run(tf.global_variables_initializer())
这样导致，载入的checkpoint的数据失效，所有数据重新进行了初始化，导致模型是个随机的取值，从而每次运行获得的结果不同。
解决的办法也很简单，在load checkpoint的操作之前，先运行初始化的代码，然后再导入checkpoint.
正确的代码结构应该如下：

# new tensor define
new_tensor = …
# old model defin
old_model = model()

# initial value
sess.run(tf.global_variables_initializer())

# load checkpoint
var_to_restore = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope=…)
restorer_attrib = tf.train.Saver(var_to_restore)
ckpt = tf.train.get_checkpoint_state(…)  
if ckpt and ckpt.model_checkpoint_path:
restorer_attrib.restore(sess, ckpt.model_checkpoint_path)
…
# run sess get value
sess.run([…])