ProtoBuf模型输入张量查找及推理占位符缺失报错咨询

嘿，这两个问题我刚好熟，给你一步步拆解解决！

错误原因分析 #

这个报错直白说就是：你的推理代码里没有给名为'w2'的float类型占位符传入数据。冻结后的.pb模型里，所有保留下来的Placeholder节点（不管是主输入还是训练时的辅助参数），在推理阶段都必须被喂入对应数据类型和形状的值，少一个都会触发这个报错。

快速修复步骤 #

1. 先确认'w2'的身份：它可能是训练时的某个辅助输入（比如权重参数、dropout保留率、注意力掩码这类），冻结模型时被保留了下来。
2. 在你的推理代码里，把这个张量加入feed_dict，确保传入对应的数据：

import tensorflow as tf
import numpy as np

# 加载冻结模型
with tf.gfile.GFile('你的模型路径.pb', 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())

with tf.Session() as sess:
    sess.graph.as_default()
    tf.import_graph_def(graph_def, name='')
    
    # 找到报错的'w2'张量，以及你的主输入、输出张量
    main_input = sess.graph.get_tensor_by_name('你的主输入节点名:0')
    w2_input = sess.graph.get_tensor_by_name('w2:0')
    output_tensor = sess.graph.get_tensor_by_name('你的输出节点名:0')
    
    # 准备数据：注意dtype必须是float，形状要和w2的shape匹配
    # 如果不知道shape，可以先打印w2_input.shape.as_list()查看
    main_data = 你的主输入数据  # 比如预处理后的图像数组
    w2_data = np.random.rand(*w2_input.shape.as_list()).astype(np.float32)
    # 如果w2是训练时的固定参数，也可以喂对应常量（比如dropout的keep_prob喂1.0）
    
    # 执行推理
    result = sess.run(output_tensor, feed_dict={
        main_input: main_data,
        w2_input: w2_data
    })

这里有两种实用方法，按需选择：

方法一：用代码遍历筛选输入节点 #

直接写代码遍历模型图，找出所有Placeholder类型的节点（也就是输入），还能获取它们的名称、数据类型和形状：

import tensorflow as tf

with tf.gfile.GFile('你的模型路径.pb', 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())

with tf.Session() as sess:
    sess.graph.as_default()
    tf.import_graph_def(graph_def, name='')
    
    # 筛选所有Placeholder节点
    input_info_list = []
    for node in sess.graph.as_graph_def().node:
        if node.op == 'Placeholder':
            tensor = sess.graph.get_tensor_by_name(f"{node.name}:0")
            input_info_list.append({
                '节点名称': node.name,
                '数据类型': tensor.dtype.name,
                '形状': tensor.shape.as_list()
            })
    
    # 打印所有输入信息
    for idx, info in enumerate(input_info_list):
        print(f"=== 输入{idx+1} ===")
        print(f"名称: {info['节点名称']}")
        print(f"数据类型: {info['数据类型']}")
        print(f"形状: {info['形状']}\n")

方法二：用TensorBoard可视化查看 #

如果想看模型的整体结构，用TensorBoard更直观：

1. 先把.pb模型导出为TensorBoard能识别的日志文件：

import tensorflow as tf

with tf.gfile.GFile('你的模型路径.pb', 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())

with tf.Session() as sess:
    sess.graph.as_default()
    tf.import_graph_def(graph_def, name='')
    # 保存日志到指定目录
    writer = tf.summary.FileWriter('./model_logs', sess.graph)
    writer.close()

2. 打开终端，运行命令：tensorboard --logdir=./model_logs
3. 按照终端提示的地址（一般是http://localhost:6006）打开浏览器，在Graphs页面就能看到模型的所有节点，找Placeholder类型的就是输入节点，还能查看它们的连接关系。

额外注意点 #

• 有些模型的输入可能不止一个（比如BERT的输入就有token_ids、attention_mask、token_type_ids三个），一定要把所有Placeholder都喂数据
• 如果某个Placeholder是训练专用的（比如dropout的keep_prob），推理时喂固定值就行（比如1.0）
• 输入数据的dtype必须和Placeholder完全匹配，比如报错里的float，就不能喂int或者double类型的数据

内容的提问来源于stack exchange，提问作者Ignacio Peletier