我来帮你拆解遇到的两个TFLearn模型问题：加载时必须加weights_only=True才能成功，以及预测时始终输出1的异常，一步步给你解决方案：

一、为啥加载模型必须用weights_only=True？ #

TFLearn保存模型有两种方式：

• 默认会保存完整的模型结构+权重参数，这种情况下加载，要求你的加载代码里的网络结构必须和训练时完全一模一样——包括每一层的类型、神经元数量、激活函数、甚至层的命名，而且训练和加载环境的TFLearn/TensorFlow版本也得一致，不然系统没法重建模型的计算图，就会报错。
• 而weights_only=True模式只保存权重参数，加载时只要你的模型结构和训练时一致，不用匹配完整的计算图信息，所以更容易成功。

常见的加载失败原因： #

• 加载代码里的模型结构和训练时不一样：比如训练时用了64个神经元的全连接层，加载时写成了128个；或者层的命名改了（TFLearn是按层名匹配权重的）。
• 训练和加载的TFLearn/TensorFlow版本不兼容：不同版本的模型序列化格式有差异，旧版本保存的完整模型，新版本可能解析不了。

解决办法： #

1. 把训练代码里的模型结构原封不动复制到加载代码里，比如训练时是这么定义的：

   net = tflearn.input_data(shape=[None, 100])
   net = tflearn.fully_connected(net, 64, activation='relu', name='fc1')
   net = tflearn.dropout(net, 0.5, name='dropout1')
   net = tflearn.fully_connected(net, 2, activation='softmax', name='fc2')
   model = tflearn.DNN(net)
   

   加载时必须完全照搬这段代码，连层的name参数都不能改。
2. 如果想用默认方式加载完整模型，确保训练和加载的TFLearn、TensorFlow版本完全相同，避免版本坑。

二、为啥预测总是输出1？ #

训练准确率能到97%，说明模型本身是有效的，预测异常几乎都是数据预处理不匹配或者模型加载后的状态不对导致的：

1. 先检查测试数据的预处理！ #

训练时对输入做的所有操作，必须原封不动用到测试数据上，这是最容易踩的坑：

• 归一化/标准化：比如训练时用训练集的均值和标准差做了(X - mean)/std的缩放，测试数据必须用同一个均值和标准差，不能用测试集自己算的统计值。
• 输入形状：确保测试数据的形状和训练输入一致，比如训练时是(batch_size, 100)，测试数据不能是(batch_size, 10)或者维度颠倒。
• 标签解读：如果训练时把标签做了one-hot编码，模型输出的是softmax概率，比如输出[0.1, 0.9]代表类别0概率10%、类别1概率90%，这时候要用np.argmax(output, axis=1)才能得到类别标签，不能直接拿输出值当结果。

2. 检查模型加载后的状态 #

• 禁用训练专属层：如果训练时用了Dropout或者Batch Normalization，加载模型后要切换到预测模式——TFLearn的DNN.predict一般会自动禁用Dropout，但有些版本可能需要手动设置：

  # 加载权重后，手动关闭训练模式
  for layer in model.layers:
      if hasattr(layer, 'trainable'):
          layer.trainable = False
  

• 验证权重是否加载正确：可以打印某一层的权重均值，和训练保存时的权重对比，确认权重确实加载进去了，不是空的或者错的。

3. 排查测试集本身的问题 #

• 看看测试集的类别分布是不是大部分都是1？如果是，那输出1是正常的，但你说结果异常，应该不是这种情况。
• 检查测试样本的标签是不是标错了，有没有把所有样本都标成1的情况？

内容的提问来源于stack exchange，提问作者haagn