TensorFlow图像重训练报错：‘import/Mul’指向图中不存在的操作

我之前在用MobileNet架构做图像重训练时也碰到过一模一样的问题，这通常是模型架构的节点命名差异或者TensorFlow版本兼容性导致的，下面给你几个可行的解决方向：

1. 检查并适配TensorFlow版本 #

旧版的retrain.py脚本是针对TensorFlow 1.x设计的，如果你用的是TensorFlow 2.x，MobileNet的节点命名逻辑已经发生了变化——原来的import/Mul输入节点在新版架构里已经不存在了。

• 如果你坚持用旧脚本，可以把TensorFlow降级到1.x版本（比如执行pip install tensorflow==1.15）；
• 更推荐的方式是切换到TensorFlow 2.x官方的迁移学习方案，用Keras接口实现，兼容性更好。

2. 修改推理代码的节点名称 #

如果问题出在你自己的推理代码里，那大概率是你硬编码了import/Mul作为输入节点，但MobileNet的输入节点名并不是这个。你可以先打印出模型里的所有节点，找到正确的输入/输出节点：

import tensorflow as tf

with tf.io.gfile.GFile('output.pb', 'rb') as f:
    graph_def = tf.compat.v1.GraphDef()
    graph_def.ParseFromString(f.read())

with tf.compat.v1.Session() as sess:
    sess.graph.as_default()
    tf.import_graph_def(graph_def, name='import')
    # 打印所有节点名称，找输入输出节点
    for op in sess.graph.get_operations():
        print(op.name)

搜索类似input、Placeholder的节点作为输入，final_result或者MobilenetV1/Predictions/Reshape_1作为输出，然后修改推理代码里的节点名。比如把：

input_tensor = sess.graph.get_tensor_by_name('import/Mul:0')

改成找到的正确节点，比如：

input_tensor = sess.graph.get_tensor_by_name('import/Placeholder:0')

3. 训练时显式指定输入/输出层 #

在训练命令里添加--input_layer和--output_layer参数，明确指定MobileNet对应的层名称，这样训练出来的模型节点名会更清晰，避免匹配错误。对于mobilenet_0.25_128，你可以这样修改训练命令：

D:\dev\Anaconda\python D:/dev/detect_objects/tensorflow-master/tensorflow/examples/image_retraining/retrain.py ^
--image_dir D:/dev/detect_objects/flower_photos ^
--bottleneck_dir D:/dev/detect_objects/tensorflow-master/retrain/bottleneck ^
--architecture mobilenet_0.25_128 ^
--input_layer input ^
--output_layer MobilenetV1/Predictions/Reshape_1 ^
--output_graph D:/dev/detect_objects/tensorflow-master/retrain/output_graph/output.pb ^
--output_labels D:/dev/detect_objects/tensorflow-master/retrain/output_labels/labels.txt

（记得把output_labels的路径补全）

4. 改用TF2的Keras迁移学习方案 #

旧的retrain.py已经逐渐被官方弃用，更稳定的方式是用TF2的Keras接口实现：

import tensorflow as tf
from tensorflow.keras.applications import MobileNet
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 加载预训练的MobileNet，去掉顶部的分类层
base_model = MobileNet(weights='imagenet', include_top=False, input_shape=(128,128,3), alpha=0.25)

# 添加自定义分类头
x = base_model.output
x = GlobalAveragePooling2D()(x)
predictions = Dense(5, activation='softmax')(x) # 这里5对应flower_photos的5类

# 构建完整模型
model = Model(inputs=base_model.input, outputs=predictions)

# 冻结预训练层
for layer in base_model.layers:
    layer.trainable = False

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 准备数据
train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
    'D:/dev/detect_objects/flower_photos',
    target_size=(128,128),
    batch_size=32,
    class_mode='categorical'
)

# 训练
model.fit(train_generator, epochs=10)

# 保存模型
model.save('flower_model.h5')

这种方式完全避免了节点名匹配的问题，而且更符合TF2的最佳实践。

内容的提问来源于stack exchange，提问作者foreign222