TensorFlow训练神经网络后，如何对新输入X预测输出Y？

嘿，我来帮你搞定这个预测的问题！你已经走完了训练的全流程，现在卡在预测环节，其实核心就是要确保你正确保存了训练好的模型参数，然后用对应的方式加载并传入预处理好的X来得到预测结果Y。我分两种常见的TensorFlow版本场景给你讲清楚：

首先得确保训练结束后，你把模型的权重、偏置这些关键参数保存下来了——不然训练完会话关闭后，所有参数就丢失了，没法复用。

如果是TensorFlow 1.x（用tf.Session的旧版API），训练时一般用tf.train.Saver()保存：

# 训练完成后保存模型参数
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 这里是你的训练循环代码...
    # 训练结束后保存到指定路径
    saver.save(sess, './my_trained_model')

如果是TensorFlow 2.x（用Keras API构建模型，现在更常用），保存方式更简单：

# 假设你的模型是用tf.keras.Sequential或者Functional API构建的
model.save('./my_trained_model')  # 直接保存整个模型结构+参数

场景1：用TensorFlow 1.x（你提到的tf.run()属于这个场景） #

你之前用tf.run()失败，大概率是没正确恢复模型参数，或者没在会话中正确传入输入X。按下面的步骤来：

1. 必须重新定义和训练时完全一致的网络结构——层的数量、神经元个数、激活函数、输入输出形状，一个都不能改，否则参数加载会失败：

# 示例：和训练时一模一样的网络定义
input_dim = 你的输入特征数
output_dim = 你的输出维度
X = tf.placeholder(tf.float32, shape=[None, input_dim])
hidden_layer = tf.layers.dense(X, units=64, activation=tf.nn.relu)
Y_pred = tf.layers.dense(hidden_layer, units=output_dim)

2. 加载参数并执行预测：

saver = tf.train.Saver()
with tf.Session() as sess:
    # 从保存的路径恢复训练好的参数
    saver.restore(sess, './my_trained_model')
    # 传入预处理好的X（注意X的形状要和训练时匹配，比如[样本数, input_dim]）
    y_pred_result = sess.run(Y_pred, feed_dict={X: 你的预处理后的X数组})
    print(y_pred_result)  # 这就是你要的预测输出Y！

场景2：用TensorFlow 2.x（Keras API） #

如果训练时用的是Keras，预测就简单多了，不需要重新定义网络：

# 加载保存好的整个模型
model = tf.keras.models.load_model('./my_trained_model')
# 直接调用predict方法，传入预处理后的X
y_pred_result = model.predict(你的预处理后的X数组)
print(y_pred_result)

• 输入形状不匹配：训练时输入是[None, 10]（10个特征），预测时X的形状必须是[N, 10]（N是预测样本数），不能是一维数组或者其他形状，否则会直接报错。
• 预处理不一致：训练时用了MinMaxScaler/StandardScaler缩放数据，预测时必须用训练数据拟合出来的scaler对象来转换新数据，绝对不能用新数据重新拟合scaler——这会导致数据分布不一致，预测结果完全不准。
• 网络结构不一致：TF1.x里必须保证预测时的网络定义和训练时完全相同，哪怕只是改了一个神经元的数量，参数都加载不进去。

内容的提问来源于stack exchange，提问作者Zafir Stojanovski