如何在预先未知层名称的情况下获取TensorFlow模型的输出？

这种场景我太有共鸣了——每次换个模型就得翻日志找最后一层名字，手动输入真的很折腾。给你几个实用的方案，不用再靠人肉解析日志：

1. 训练时给输出张量打「标签」：用TensorFlow集合 #

这是最省心的方法，训练模型的时候，把输出张量加入一个自定义的集合里，推理时直接从集合里取，完全不用管层名：

• 训练阶段（模型定义完后）加一行：

  tf.add_to_collection('model_outputs', your_output_tensor)
  

• 推理阶段直接获取：

  yhat = tf.get_collection('model_outputs')[0]
  decoded_image = yhat.eval(session=sess, feed_dict={x: X})
  

这个操作只是给张量加了个引用，完全不冗余，也不脆弱——只要训练时统一加这个集合，不管模型架构怎么变，推理代码都能直接拿到输出。

2. 用SavedModel规范输出签名（推荐生产环境） #

如果你的模型是用SavedModel格式保存的，那直接利用它的**签名（Signature）**功能，训练保存时就定义好输入输出的接口，推理时直接通过签名调用，连张量名都不用管：

• 训练保存时定义签名（以TensorFlow 2.x为例）：

  # 先定义推理函数
  @tf.function(input_signature=[tf.TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='input')])
  def infer_func(input):
      return {'output': model(input)}
  
  # 保存模型时指定签名
  tf.saved_model.save(model, './saved_model', signatures={'serving_default': infer_func})
  

• 推理加载时直接调用签名：

  loaded_model = tf.saved_model.load('./saved_model')
  infer = loaded_model.signatures['serving_default']
  result = infer(input=X)['output'].numpy()
  

这个方法最规范，适合多模型统一推理的场景，完全不用关心内部层结构。

3. 从已有的计算图中自动识别输出张量（适合无法修改训练代码的情况） #

如果没办法修改训练流程，只能从已有的图里找输出，那可以找没有后续消费者的张量（也就是不会作为其他节点输入的张量，通常就是输出）：

# 获取所有没有被其他节点引用的张量
output_candidates = []
for op in sess.graph.get_operations():
    for tensor in op.outputs:
        # 检查这个张量有没有被其他节点使用
        if len(tensor.consumers()) == 0:
            output_candidates.append(tensor)

# 从候选里选你需要的（如果有多个输出，可能需要根据形状/名字过滤）
yhat = output_candidates[0]

不过这个方法要注意：有些模型可能会有多个输出（比如损失、中间特征），或者某些输出会被日志节点引用，所以可能需要额外过滤，比如根据张量的形状是否和预期输出匹配，或者名字里的关键词（比如包含"predict"、"output"）。

额外提示：如果用Keras模型 #

如果你的模型是用Keras构建的，那直接用model.output就能拿到输出张量，保存后加载的模型也可以直接调用model.predict(X)，完全不用手动找层名，Keras已经帮你封装好了这些细节。

内容的提问来源于stack exchange，提问作者Matt