Java TensorFlow 1.15.0运行Python导出图像模型报DataType 20未识别错误

核心错误成因 #

抛出DataType 20 is not recognized in Java (version 1.15.0)错误的直接原因是fetch拉取了错误的图节点：

• TensorFlow C层的类型枚举中，数值20对应DT_RESOURCE，是模型内权重变量的资源句柄类型，这个类型在TF Java 1.15的旧版本枚举映射中没有定义，所以会触发识别失败。
• 现有代码中拉取的outputTensor_1/kernel节点，是卷积层的权重参数节点，根本不是模型的推理输出节点，属于图内的可训练变量，正好对应DT_RESOURCE类型，直接触发报错。

现存的其他配套问题 #

• 图像转Tensor的逻辑未和Python侧的预处理流程对齐：没有强制resize到模型要求的128*128尺寸，也没有按照训练时的规则做像素值归一化，即使节点拉取正确，也会出现推理结果偏差或维度不匹配错误。
• 没有区分图内的推理输出节点和权重变量节点，SavedModel加载后会把所有可训练参数、计算逻辑节点全部加载到图中，需要过滤掉带kernel/Variable/Initializer后缀的参数类节点，只拉取最终的推理结果节点。

具体修复操作 #

1. 修正推理输出的fetch节点名 #

• 不要拉取outputTensor_1/kernel这个权重节点，Keras导出的SavedModel会把完整推理逻辑封装到StatefulPartitionedCall操作中，输出索引0的Tensor就是你定义的outputTensor层的推理结果。
• 可以借助原有遍历图节点的逻辑，筛选出非参数类的输出节点，避免拉错资源类型的节点。修正后的推理调用示例：

java.util.List<Tensor<?>> result = sess.runner()
    .feed("serving_default_inputTensor", inputTensor1) // 输入节点名是正确的，不需要修改
    .fetch("StatefulPartitionedCall") // 拉取封装好的推理结果节点
    .run();

2. 对齐图像预处理逻辑 #

按照Python侧的推理流程修正BufferedImage转Tensor的逻辑，保证输入的形状、数值范围和Python训练时完全一致：

• 强制将输入图像缩放到模型要求的128*128尺寸
• 单通道读取灰度图像素值，按照训练时的归一化规则处理（通常是将0-255的像素值除以255，缩放到0-1区间）
• 修正后的转换逻辑参考：

public static Tensor<Float> convertBufferedImageToTensor(BufferedImage image, int targetWidth, int targetHeight) {
    // 强制缩放到模型要求的输入尺寸
    BufferedImage resizedImg = resize(image, targetWidth, targetHeight);
    Raster raster = resizedImg.getRaster();
    // 匹配模型输入形状: [批大小, 高度, 宽度, 通道数] = [1, 128, 128, 1]
    float[][][][] inputArr = new float[1][targetHeight][targetWidth][1];
    for (int h = 0; h < targetHeight; h++) {
        for (int w = 0; w < targetWidth; w++) {
            // 读取灰度图单通道像素值，做归一化处理
            int pixelValue = raster.getSample(w, h, 0);
            inputArr[0][h][w][0] = pixelValue / 255.0f;
        }
    }
    return Tensor.create(inputArr, Float.class);
}

3. 验证节点匹配性 #

保留原有遍历图所有操作的逻辑，打印全量节点名称，确认：

• 输入节点serving_default_inputTensor的形状和模型要求的[1,128,128,1]完全匹配
• 拉取的输出节点不包含任何权重参数后缀，是推理计算的最终结果节点，不是资源类型的变量节点

内容的提问来源于stack exchange，提问作者m.i.cosacak