我来帮你梳理清楚问题所在，你遇到的TypeError主要有两个原因：图上下文不匹配，还有代码里的语法小错误，咱们一步步解决：

错误核心原因 #

你当前的代码顺序是：先创建了自己的x_placeholder，再导入预训练的meta图。但TensorFlow的图是有上下文的——你创建的x_placeholder属于重置后的默认图，但导入的模型会把自身的图结构加载到当前图中，这时候你自己的placeholder和模型训练时用的输入节点根本不是同一个Tensor，feed_dict自然找不到对应的节点，就会报错。

另外，你代码里有两处括号不匹配：

• meta.restore(sess, tf.train.latest_checkpoint('./chkpt/') 缺少右括号
• sess.run(Y, feed_dict={x_placeholder: X)) 多了一个右括号（应该是})）

修正后的代码及步骤 #

正确的做法是：先加载模型的图结构，再从加载好的图中获取原本的输入、输出节点，而不是自己重新创建新的placeholder。

步骤1：确认训练时的节点命名 #

首先回忆你训练模型时，给输入placeholder和预测输出节点起的名字（如果训练时没显式命名，默认名字会是Placeholder:0、ArgMax:0这类）。比如训练时你可能写过：

# 训练时的代码示例
x = tf.placeholder(tf.float32, [None, 64, 64, 3], name='input_x')  # 显式命名输入
# ... 模型结构（卷积、全连接等） ...
logits = tf.layers.dense(last_layer, num_classes)
predictions = tf.argmax(logits, axis=1, name='predictions')  # 显式命名输出

步骤2：修正加载与预测代码 #

# 获取测试数据，X形状为(1,64,64,3)，Y为真实标签
X, Y = get_data()

# 重置默认图，清除之前的图残留
tf.reset_default_graph()

# 1. 导入模型的meta图，将训练时的图结构加载到当前默认图中
meta_graph = tf.train.import_meta_graph('chkpt/my_tf_model.meta')

with tf.Session() as sess:
    # 2. 恢复模型的权重参数
    meta_graph.restore(sess, tf.train.latest_checkpoint('./chkpt/'))
    
    # 3. 从加载好的图中获取对应的输入、输出节点
    # 注意：这里的节点名称要和训练时的完全一致！
    # 如果训练时没命名，就用默认名（比如'Placeholder:0'）
    input_tensor = sess.graph.get_tensor_by_name('input_x:0')
    output_tensor = sess.graph.get_tensor_by_name('predictions:0')
    
    # 4. 运行预测，用模型原本的输入节点作为feed_dict的key
    pred_result = sess.run(output_tensor, feed_dict={input_tensor: X})
    
    # 打印结果
    print(f"预测类别：{pred_result[0]}")
    print(f"真实类别：{Y}")

额外提示 #

如果你忘了训练时的节点名称，可以在会话中打印所有节点来查找：

with tf.Session() as sess:
    meta_graph.restore(sess, tf.train.latest_checkpoint('./chkpt/'))
    # 打印所有节点名称
    for op in sess.graph.get_operations():
        print(op.name)

找到类似input_x、predictions这类关键节点，后面加:0就是对应的Tensor名称。

内容的提问来源于stack exchange，提问作者Cribbin