无法使用训练后的TensorFlow模型，求解决方案及规避ParseFromString方法

嘿，作为刚接触深度学习和TensorFlow的新手，遇到这种模型加载报错的问题肯定超崩溃吧！我刚入门的时候也踩过类似的坑，给你分享几个靠谱的解决方法，还能帮你避开那个麻烦的graph_def.ParseFromString()函数～

一、先确认你的saved_model.pb生成是否合规 #

很多时候调用出错的根源是模型导出环节出了问题，先检查下你是不是用了正确的方式导出SavedModel：

• 别手动去处理GraphDef！用TensorFlow官方推荐的tf.saved_model.save()导出，代码示例如下：

  import tensorflow as tf
  
  # 假设你已经完成InceptionV3的微调，加载了自己训练的权重
  model = tf.keras.applications.InceptionV3(
      weights='your_finetuned_weights.h5',
      include_top=True,
      classes=你的类别数量
  )
  
  # 正确导出SavedModel（会生成包含saved_model.pb的目录）
  tf.saved_model.save(model, "./my_saved_model")
  

  这样导出的模型是完整的TensorFlow标准格式，后续加载完全不需要碰graph_def.ParseFromString()。

二、规避graph_def.ParseFromString()的加载方法 #

如果你已经有了saved_model.pb，直接用下面两种简单的方式加载就行，完全绕开那个容易出错的函数：

方法1：用Keras一键加载（最适合新手） #

Keras的API已经封装了所有复杂操作，一行代码就能加载模型并直接推理：

import tensorflow as tf
from tensorflow.keras.preprocessing import image

# 加载SavedModel为Keras模型
loaded_model = tf.keras.models.load_model("./my_saved_model")

# 预处理测试图像（InceptionV3要求输入尺寸是299x299）
img = image.load_img("test_image.jpg", target_size=(299, 299))
img_array = image.img_to_array(img)
img_array = tf.expand_dims(img_array, 0)  # 增加batch维度

# 直接预测
predictions = loaded_model.predict(img_array)

方法2：用SavedModelLoader加载（适配低版本TensorFlow） #

如果你的TensorFlow版本较低（比如1.x），可以用这个底层一点的方法，同样不需要解析GraphDef：

import tensorflow as tf

with tf.Session() as sess:
    # 加载SavedModel，指定SERVING标签
    tf.saved_model.loader.load(
        sess,
        [tf.saved_model.tag_constants.SERVING],
        "./my_saved_model"
    )
    # 获取模型的输入输出张量（InceptionV3默认输入名是input_1:0，输出名是predictions/Softmax:0）
    input_tensor = sess.graph.get_tensor_by_name("input_1:0")
    output_tensor = sess.graph.get_tensor_by_name("predictions/Softmax:0")

    # 预处理图像后传入推理
    img = ... # 把你的图像转换成符合要求的张量格式
    predictions = sess.run(output_tensor, feed_dict={input_tensor: img})

三、如果一定要用graph_def.ParseFromString()（排查错误） #

要是你因为某些特殊需求必须用这个函数，那先排查这两个常见错误：

• 文件读取模式错误：必须用二进制模式读取saved_model.pb，不能用文本模式：

  # 错误写法（文本模式读取二进制文件会损坏内容）
  with open("saved_model.pb", "r") as f:
      graph_def.ParseFromString(f.read())
  # 正确写法
  with open("saved_model.pb", "rb") as f:
      graph_def.ParseFromString(f.read())
  

• 混淆了SavedModel和GraphDef格式：saved_model.pb里包含的是MetaGraphDef，不是单纯的GraphDef，得先解析MetaGraph再提取GraphDef：

  from tensorflow.core.protobuf import saved_model_pb2
  
  saved_model = saved_model_pb2.SavedModel()
  with open("saved_model.pb", "rb") as f:
      saved_model.ParseFromString(f.read())
  # 从第一个MetaGraph中获取GraphDef
  graph_def = saved_model.meta_graphs[0].graph_def
  

总结 #

作为新手，真心建议你直接用前面两种规避graph_def.ParseFromString()的方法，官方封装好的API已经帮你处理了所有底层的图解析和变量恢复工作，既简单又不容易出错，能省掉超多调试时间～

内容的提问来源于stack exchange，提问作者Torab Shaikh