TensorflowInferenceInterface结果与预期形状不符问题求助

看起来你这里的核心问题是混淆了模型的权重参数节点和输入/输出计算节点，再加上可能的输入形状不匹配，才触发了形状错误。我来一步步帮你排查解决：

1. 先搞清楚：你打印的h_1:0/h_2:0/h_out:0不是输入输出节点！ #

你看到的这些Const类型的节点，是模型训练好的权重矩阵——它们是固定的参数值，不是模型用来接收输入、输出预测结果的节点。真正的输入应该是一个Placeholder类型的节点（比如你定义的输入占位符x对应的x:0），输出则是经过三层计算后的最终张量（比如类似predictions:0或者output_layer/BiasAdd:0这样的节点）。

2. 第一步：找到正确的输入输出节点名称 #

你可以通过遍历模型的所有节点来确认：

import tensorflow as tf

with tf.Session() as sess:
    # 加载你的pb模型
    tf.train.import_meta_graph("your_model.pb")
    
    # 遍历所有操作，打印节点名和类型
    for op in sess.graph.get_operations():
        print(f"节点名: {op.name}, 类型: {op.type}")

在输出里找两类关键节点：

• 输入节点：类型为Placeholder，形状应该是[?, 216]（对应你的输入特征数216）
• 输出节点：类型通常是MatMul、BiasAdd或者Relu（如果有激活函数），最终输出形状应该是[?, 3]（对应你的3维输出）

3. 检查输入数据的形状是否匹配 #

你的模型输入需要带batch维度：

• 如果是单样本输入，形状必须是(1, 216)，而不是(216,)（缺少batch维度会被TensorFlow误认为特征数不匹配）
• 如果是批量输入，形状是(batch_size, 216)

比如，把你的输入数据reshape成正确的形状：

import numpy as np

# 假设原始输入是shape=(216,)的数组
input_data = np.random.rand(216).astype(np.float32)
# 增加batch维度
input_data = input_data.reshape(1, 216)

4. 修正推理代码 #

用正确的输入输出节点名来执行feed/run/fetch：

from tensorflow.contrib.learn.python.learn.utils import run_utils

with tf.Session() as sess:
    # 加载pb模型
    inference_interface = run_utils.TensorFlowInferenceInterface(
        sess.graph, "your_frozen_model.pb"
    )
    
    # 准备正确形状的输入数据
    input_data = np.random.rand(1, 216).astype(np.float32)
    
    # 喂入输入（替换成你找到的输入节点名）
    inference_interface.feed("input_placeholder:0", input_data)
    # 运行并fetch输出节点（替换成你找到的输出节点名）
    inference_interface.run(["final_output:0"])
    output_result = inference_interface.fetch("final_output:0")
    
    print(f"输出形状: {output_result.shape}")  # 应该是(1, 3)，符合预期

5. 常见坑点总结 #

• 不要把权重节点（Const类型）当成输出节点来fetch：它们的形状是权重矩阵的形状（比如h_out:0是(256,3)），而模型的预测输出应该是(batch_size,3)，形状不匹配就会报错。
• 输入必须带batch维度：哪怕是单样本，否则TensorFlow会误解输入的特征数量，触发形状不匹配。
• 如果保存模型时没有明确指定输入输出节点，一定要通过遍历节点确认，避免用错名称。

内容的提问来源于stack exchange，提问作者Audrey