使用TF 2.0beta C API训练Fashion-MNIST时Tensor输入报错求助

从你描述的错误和代码来看，这个问题大概率是由数据传递方式错误、模型导出时训练操作缺失或者节点输入形状/类型不匹配导致的，下面逐个分析并给出修复方案：

1. 紧急修复：二维数组的内存拷贝错误 #

你的代码中memcpy(TF_TensorData(x), train_data, nbytesT);存在严重问题：train_data是float**类型（二维指针），而TF_Tensor要求的是连续的一维内存块。直接memcpy会把指针的地址值复制到张量里，而不是实际的像素数据，这会导致张量内容完全是垃圾值，进而触发各种异常。

修复方式：

• 先把二维的train_data和label_data转换成连续的一维数组，再复制到张量中：

// 先准备连续的内存块
float* train_flat = (float*)malloc(numPoints * 784 * sizeof(float));
float* label_flat = (float*)malloc(numPoints * 10 * sizeof(float));

// 把二维数据拷贝到一维数组
for (int i = 0; i < numPoints; i++) {
    memcpy(train_flat + i*784, train_data[i], 784*sizeof(float));
    memcpy(label_flat + i*10, label_data[i], 10*sizeof(float));
}

// 再复制到张量
memcpy(TF_TensorData(x), train_flat, nbytesT);
memcpy(TF_TensorData(y), label_flat, nbytesL);

// 用完释放临时内存
free(train_flat);
free(label_flat);

如果你的train_data本来就是连续内存（比如用单块malloc分配的），那可以直接用*train_data作为源地址，但如果是二维指针数组，必须先扁平化。

2. 验证模型导出时是否包含训练操作 #

在Python中用keras.experimental.export_saved_model导出模型时，默认可能只保存推理图，没有包含训练相关的操作（比如train_op）。你需要确保导出的SavedModel包含训练所需的节点：

• 改用tf.keras.models.save_model，并明确设置save_format='tf'，同时在导出前确保模型已经编译过（包含损失函数、优化器等训练相关组件）：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',  # 或者 categorical_crossentropy，看你的标签格式
              metrics=['accuracy'])

# 导出包含训练图的模型
tf.keras.models.save_model(model, './saved_model', save_format='tf')

另外，在C中加载模型后，要确认model->train_op是正确的训练操作节点。你可以用TF_GraphGetOperationByName来手动获取训练op，而不是依赖自定义的model结构体：

const TF_Operation* train_op = TF_GraphGetOperationByName(model->graph, "train_op");
if (train_op == NULL) {
    // 说明模型里没有train_op，导出时出问题了
    fprintf(stderr, "Failed to find train_op in model\n");
    return -1;
}

3. 确认标签输入的形状与模型期望一致 #

你的错误提到dense_2_target这个Placeholder节点，需要确认这个节点的输入形状是否和你传递的张量匹配：

• 先在Python中查看模型的输入和目标形状：

print("Model input shape:", model.input_shape)
print("Model target shape:", model.output_shape)  # 或者查看损失函数对应的输入形状

• 如果模型用的是sparse_categorical_crossentropy，标签应该是一维的（shape=(numPoints,)），也就是每个样本是0-9的标量，此时你的dimLabel应该是{numPoints}而不是{numPoints,10}。
• 如果用的是categorical_crossentropy，标签才是one-hot编码的二维数组（shape=(numPoints,10)），这时候你的dimLabel是对的，但要确保保存的labels.txt是one-hot格式。

如果是标签形状不匹配，调整C代码中的dimLabel和张量分配逻辑，同时确保Python保存的标签格式和模型期望一致。

4. 确认TF_Output节点的正确性 #

你代码中的TF_Output inputs[2] = {model->input, model->target};需要确保model->input和model->target是正确的节点输出：

• model->input应该对应模型的输入节点（比如名称是input_1之类的），model->target应该对应训练时的标签输入节点（比如dense_2_target）。
• 可以用TF_OperationName(model->input.oper)和TF_OperationName(model->target.oper)打印节点名称，确认是否和模型中的节点一致。
• 如果节点名称不对，用TF_GraphGetOperationByName手动获取正确的节点：

// 获取输入节点
TF_Operation* input_op = TF_GraphGetOperationByName(model->graph, "input_1");
TF_Output input = {input_op, 0};  // 0表示节点的第一个输出

// 获取标签输入节点
TF_Operation* target_op = TF_GraphGetOperationByName(model->graph, "dense_2_target");
TF_Output target = {target_op, 0};

最后验证步骤 #

修复后，建议先在C中打印张量的形状和部分数据，确认数据正确传入：

// 打印输入张量的形状
int num_dims = TF_NumDims(x);
printf("Input tensor dims: ");
for (int i=0; i<num_dims; i++) {
    printf("%lld ", TF_Dim(x, i));
}
printf("\n");

// 打印第一个样本的前10个像素值
float* data = (float*)TF_TensorData(x);
printf("First sample pixels: ");
for (int i=0; i<10; i++) {
    printf("%.2f ", data[i]);
}
printf("\n");

这样可以快速确认数据是否正确加载到张量中，排除数据传递的问题。

内容的提问来源于stack exchange，提问作者jregalad