TensorFlow恢复变量时为何尝试读取未指定的检查点key？

这问题我碰到过好多次，大概率是计算图不一致或者Saver的默认行为在搞鬼，结合你提到的《机器学习》示例，我给你拆解几个常见原因：

• 恢复时的计算图里多了个叫spikes_1的变量：比如你在定义模型时，不小心重复创建了同名的spikes变量（比如两次调用了定义spikes的代码块），TensorFlow会自动给重复的变量加后缀（_1、_2这类）。这时候如果你用默认的tf.train.Saver()（不指定要恢复的变量列表），Saver会尝试恢复当前图里的所有变量——包括这个意外出现的spikes_1，但你的检查点里只存了原本的spikes，自然就报NotFoundError了。

• 保存和恢复时的变量命名规则变了：比如保存时你直接用spikes作为变量名，但恢复时不小心把变量放到了某个命名作用域（tf.name_scope或tf.variable_scope）里，导致变量的完整名称变成了xxx/spikes_1之类的，和检查点里的key完全对不上。

• Saver的变量映射没做对：如果你手动指定了要恢复的变量，但可能不小心漏写或者映射错误？不过你提到是“未指定的key”，所以更可能是第一种情况——默认Saver自动捕获了图里的所有变量，包括那个你没意识到的spikes_1。

对应的解决办法也很直接：

1. 先打印当前计算图里的所有变量名，确认是不是真的存在spikes_1：

   for var in tf.global_variables():
       print(var.name)
   

2. 如果确实多了这个变量，检查代码里是不是重复定义了spikes，删掉冗余的定义即可；
3. 或者在创建Saver时明确指定要恢复的变量，不要用默认的全部恢复：

   saver = tf.train.Saver({"spikes": spikes})  # 只恢复指定的spikes变量
   

这样就能避免Saver去尝试恢复那些你没打算从检查点读取的变量了。

内容的提问来源于stack exchange，提问作者orome