TensorFlow保存的CNN模型恢复后预测结果异常求助

从你的代码描述和遇到的问题来看，预测结果异常（所有图像块输出几乎相同、结果无意义）大概率和模型恢复的张量匹配、输入预处理一致性这两个核心点有关，下面一步步拆解排查方向和修复方案：

1. 先排查最容易踩坑的「输入数据预处理不一致」 #

这是导致模型输出异常最常见的原因之一：

• 回忆训练时你对输入图像x做了哪些预处理？比如是否做了归一化（比如除以255缩放到[0,1]）、均值减法、通道顺序转换（RGB/BGR）？
• 检查CNNutils.load_photo函数是否完全复现了训练时的预处理逻辑？比如训练时把图像像素值除以255，预测时却直接用了0-255的原始值，模型会输出完全无意义的结果，甚至所有样本预测值趋同。
• 可以直接打印inputData的统计信息验证：

  print("输入数据形状：", inputData.shape)
  print("输入数据均值：", inputData.mean())
  print("输入数据最大值/最小值：", inputData.max(), inputData.min())
  

  对比训练时输入数据的统计值，确保两者一致。另外可以可视化一个图像块，确认加载的图像没有出现全黑、全白或颜色错乱的情况。

2. 验证模型恢复时的张量引用是否正确 #

你提到怀疑张量恢复错误，这里有几个细节要确认：

• 训练时张量的真实名称：在训练代码中，create_conv_layer_for_sum里的sum被命名为name+'_output'，也就是s_layer3_output，但TensorFlow有时会自动给张量加后缀（比如同名张量重复创建时会变成s_layer3_output_1:0）。建议在训练时直接打印s3.name确认真实名称：

  with tf.Session() as sess:
      # 训练代码...
      print("s3张量名称：", s3.name) # 比如输出可能是s_layer3_output:0
      saver.save(sess, "models/model"+str(num)+"/model.ckpt")
  

  确保恢复时graph.get_tensor_by_name的参数和这个打印结果完全一致。
• 直接引用训练时的预测张量：更稳妥的方式是在训练时给最终的预测张量显式命名，避免后续找错：

  # 训练时修改这一行，给y_pred加显式名称
  y_pred = tf.identity(s3, name='final_y_pred')
  

  恢复时直接获取这个命名好的张量：

  y_pred = graph.get_tensor_by_name('final_y_pred:0')
  

3. 确认模型变量是否真的正确恢复了 #

有时候看起来模型加载成功，但实际上变量并没有被正确恢复，比如路径错误、保存时遗漏了变量：

• 使用tf.train.latest_checkpoint自动获取最新的 checkpoint 文件，避免手动拼接路径出错：

  saver.restore(sess, tf.train.latest_checkpoint('models/' + model + '/'))
  

• 验证关键变量的值：在训练结束时打印几个核心变量（比如卷积层的权重）的部分值，恢复模型后再打印一次对比：

  # 训练时
  with tf.Session() as sess:
      # ...训练完成后
      weights = tf.get_default_graph().get_tensor_by_name('s_layer3/weights:0') # 替换成你实际的权重张量名称
      print("训练后权重前5个值：", sess.run(weights)[:5])
      saver.save(sess, ...)
  
  # 恢复时
  sess = tf.Session()
  saver.restore(...)
  weights = tf.get_default_graph().get_tensor_by_name('s_layer3/weights:0')
  print("恢复后权重前5个值：", sess.run(weights)[:5])
  

  如果两次打印的值不一致，说明模型恢复失败，需要检查保存路径、Saver是否包含了所有变量。

4. 简化预测流程，逐步定位问题 #

先把预测流程拆简化，排除多余操作的干扰：

• 先输入一个训练集里的图像块，看预测结果是否和训练时的输出一致。如果一致，说明模型恢复没问题，问题出在新的输入数据上；如果不一致，说明模型恢复环节有问题。
• 去掉tf.reduce_sum(s3)，直接打印s3的结果，确认是每个图像块的预测值本身就几乎相同，还是求和后才出现的假象。

修复后的示例代码 #

调整后的训练和恢复代码参考：

训练部分修改 #

x = tf.placeholder(tf.float32, [None, 98, 98, 3], name='x')
y = tf.placeholder(tf.float32, [None, ], name='y')
# 创建两个卷积层：layer1 和 layer2
s3 = create_conv_layer_for_sum(layer2, f2, f3, [5, 5], 2, outf_sum, name='s_layer3')
y_pred = tf.identity(s3, name='final_y_pred') # 给预测张量加显式名称
error = tf.pow((y - y_pred), 2)
optimiser = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(error)
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init_op)
    # 训练逻辑...
    print("s3张量名称：", s3.name) # 打印确认名称
    saver = tf.train.Saver()
    save_path = saver.save(sess, "models/model"+str(num)+"/model.ckpt")

恢复预测部分修改 #

sess = tf.Session()
saver = tf.train.import_meta_graph('models/' + model + '/model.ckpt.meta')
# 使用latest_checkpoint自动获取正确的checkpoint路径
saver.restore(sess, tf.train.latest_checkpoint('models/' + model + '/'))

inputData = CNNutils.load_photo(photo, 98)
# 确保预处理和训练时一致，比如归一化
inputData = inputData / 255.0 # 替换成你训练时的预处理逻辑

graph = tf.get_default_graph()
x = graph.get_tensor_by_name('x:0')
y_pred = graph.get_tensor_by_name('final_y_pred:0') # 直接获取命名的预测张量

# 获取每个图像块的预测值，再求和得到总结果
predictions = sess.run(y_pred, feed_dict={x: inputData})
total_pred = predictions.sum()

print("每个图像块的预测值：", predictions)
print("整张图片的总预测值：", total_pred)

内容的提问来源于stack exchange，提问作者puzzled-bioinformatician