CNN模型训练成功但预测时报错，求助排查（附TensorFlow代码）

嘿，我来帮你捋捋这个预测报错的问题！从你给出的代码片段来看，咱们可以从几个大家常踩的坑入手排查：

• 输入图像维度/格式不匹配
  训练时你把MNIST数据处理成了784维的扁平向量，但如果预测时直接传入28×28的原始图像（没做扁平化），或者你的CNN网络实际需要的是带通道维度的格式（比如[batch_size, 28, 28, 1]），就会触发维度不匹配的报错。
  解决办法：确保预测时的输入和训练时的维度完全一致。比如训练时你做了x_reshaped = tf.reshape(x, [-1, 28, 28, 1])，那预测时也要对输入图像做同样的reshape：

  # 假设test_img是28×28的numpy数组
  test_input = test_img.reshape(1, 28, 28, 1) / 255.0  # 别忘了归一化，和训练时保持一致
  

• 模型恢复时的变量命名/作用域不匹配
  如果训练时你用了tf.variable_scope给变量加了前缀，或者保存模型时的变量名和当前预测代码里的变量名不一致，saver恢复时就会找不到对应变量报错。
  解决办法：可以先查看 checkpoint 里的变量列表，对比当前图的变量名：

  from tensorflow.python.tools.inspect_checkpoint import print_tensors_in_checkpoint_file
  print_tensors_in_checkpoint_file("./your_checkpoint.ckpt", tensor_name='', all_tensors=True)
  

  如果发现命名不一致，可以在创建saver时指定要恢复的变量映射，或者确保预测代码里的变量定义和训练时完全一致。

• 会话与模型恢复的顺序错误
  要注意：必须先定义好所有模型变量（比如卷积层、全连接层的权重偏置），再创建tf.train.Saver()，然后启动会话，最后执行saver.restore()。如果顺序搞反了（比如先恢复再定义变量），就会报错找不到变量。

• 预处理步骤和训练时不一致
  训练时你可能对图像做了归一化（比如除以255）、标准化等处理，但预测时直接传入了原始像素值（0-255），这会导致模型输出异常甚至报错。一定要保证预测时的预处理逻辑和训练阶段完全相同。

给你一个简单的预测示例参考：

# 加载单张测试图像（假设是28×28的灰度图）
import numpy as np
test_img = np.random.rand(28,28)  # 替换成你的实际图像

# 预处理：和训练时一致
test_input = test_img.reshape(1, 784) / 255.0

# 确保模型变量已定义（和训练时的代码一致）
# ... 这里复制你训练时的模型定义代码（x占位符、卷积层、全连接层等） ...

# 恢复模型并预测
saver = tf.train.Saver()
with tf.Session() as sess:
    saver.restore(sess, "./mnist_cnn_model.ckpt")  # 替换成你的checkpoint路径
    prediction = sess.run(tf.argmax(y, 1), feed_dict={x: test_input})
    print(f"预测标签：{prediction[0]}")

内容的提问来源于stack exchange，提问作者buydadip