如何在TensorFlow中恢复模型中的字典变量？

嘿，我懂你遇到的问题了——训练时用Python字典存了accuracy、f1这些评估指标，现在想加载保存的MetaGraph后，直接通过名称获取这个evaluation集合并运行它对吧？核心问题在于你训练时的evaluation是Python字典，它不会被TensorFlow的模型保存机制记录下来，必须把这些指标转换成带明确名称的TensorFlow操作/Tensor，才能在加载后通过名字找到它们。下面一步步来解决：

1. 训练阶段：把评估指标包装成带名称的TensorFlow对象 #

你原来的evaluation = {}只是内存里的Python变量，TensorFlow的MetaGraph不会保存它。所以要把字典里的每个指标（accuracy、f1等）都定义成带name参数的Tensor，再把它们整合为一个可识别的操作：

示例代码 #

# 先给每个单独的指标设置名称（假设你已经完成了指标计算逻辑）
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32), name='accuracy')
f1 = tf.divide(2 * precision * recall, precision + recall, name='f1')
precision = tf.metrics.precision(labels, predictions, name='precision')[1] # 注意取更新后的Tensor，自定义计算时也要加name
recall = tf.metrics.recall(labels, predictions, name='recall')[1]

# 方式一：把所有指标打包成一个带名称的Tensor（推荐，方便后续一次性获取）
evaluation = tf.stack([accuracy, f1, precision, recall], name='evaluation')

# 方式二：如果想保留字典结构，用集合来存储
tf.add_to_collection('evaluation_metrics', accuracy)
tf.add_to_collection('evaluation_metrics', f1)
tf.add_to_collection('evaluation_metrics', precision)
tf.add_to_collection('evaluation_metrics', recall)

另外，别忘了给你的输入占位符input_x也设置名称，不然加载后找不到它来喂数据：

input_x = tf.placeholder(tf.float32, shape=[None, your_feature_size], name='input_x')

2. 保存模型时确保MetaGraph被正确保存 #

用tf.train.Saver保存时，默认会写入MetaGraph，但最好显式指定避免遗漏：

saver = tf.train.Saver()
saver.save(sess, './saved_model/model.ckpt', write_meta_graph=True)

3. 加载模型后获取并运行evaluation指标 #

根据你训练时的打包方式，有两种获取途径：

方式一：用tf.stack打包的情况 #

# 加载MetaGraph和变量
saver = tf.train.import_meta_graph('./saved_model/model.ckpt.meta')
sess = tf.Session()
saver.restore(sess, './saved_model/model.ckpt')

# 获取evaluation Tensor（注意要加":0"，TensorFlow中Tensor的名称是"操作名:输出索引"，默认第一个输出是0）
evaluation_tensor = tf.get_default_graph().get_tensor_by_name('evaluation:0')
# 或者用你原来的写法：
# evaluation_tensor = tf.get_default_graph().get_operation_by_name("evaluation").outputs[0]

# 获取输入占位符
input_x = tf.get_default_graph().get_tensor_by_name('input_x:0')

# 运行获取指标
metrics = sess.run(evaluation_tensor, feed_dict={input_x: your_test_data})
# 拆分结果（顺序和stack时一致）
accuracy_val, f1_val, precision_val, recall_val = metrics

方式二：用集合存储的情况 #

saver = tf.train.import_meta_graph('./saved_model/model.ckpt.meta')
sess = tf.Session()
saver.restore(sess, './saved_model/model.ckpt')

# 从集合中取出所有指标
evaluation_metrics = tf.get_collection('evaluation_metrics')

# 运行所有指标
accuracy_val, f1_val, precision_val, recall_val = sess.run(evaluation_metrics, feed_dict={input_x: your_test_data})

• 所有需要在加载后复用的Tensor/操作，训练时必须显式设置name参数，否则TensorFlow会自动生成随机名称，加载时无法通过指定名字找到。
• 不要混淆Python字典和TensorFlow的Tensor：Python字典只是训练时的临时容器，不会被序列化到模型文件里，必须把里面的内容转换成TensorFlow的原生对象才能被保存和恢复。

内容的提问来源于stack exchange，提问作者Peter Pan