TensorFlow高级API实现报错：训练时遇NotFoundError求助

嘿，我之前在玩TensorFlow高级API时也踩过类似的检查点坑，这个错误本质就是当前模型的参数结构和你要加载的检查点不匹配——检查点里压根没有baseline/bias这个参数键，导致加载时找不到对应的值。下面给你几个实用的排查和解决方向：

1. 先确认模型结构是否完全一致 #

这是最常见的原因：你现在用来训练的基线分类器，和当初保存检查点时的模型结构不一样！比如：

• 是不是后来给模型层加了name='baseline'的命名空间，而之前保存时没有？
• 有没有修改过全连接层的配置，比如从无偏置改成了有偏置（或者反过来）？
• 有没有增减过模型的层级？

举个例子，如果之前保存模型时用的是：

model = tf.keras.Sequential([tf.keras.layers.Dense(10)])

现在改成了：

model = tf.keras.Sequential([tf.keras.layers.Dense(10, name='baseline')])

那参数名称就会从dense/bias变成baseline/bias，自然找不到旧检查点里的参数。

2. 查看检查点里的所有参数键 #

你可以用一段小代码直接输出检查点里的所有参数名称，确认到底有没有baseline/bias：

import tensorflow as tf
# 替换成你的检查点路径（注意是.ckpt文件的前缀，比如'./checkpoints/model'）
ckpt_path = './your_checkpoint_prefix'
ckpt = tf.train.load_checkpoint(ckpt_path)
# 遍历输出所有参数键
for param_key in ckpt.get_variable_to_shape_map().keys():
    print(param_key)

如果输出里确实没有baseline/bias，那要么是保存检查点时模型就没有这个参数，要么是你现在的模型结构改了。

3. 调整检查点加载策略 #

如果是因为模型新增了参数（比如新增了这个偏置项），可以让TensorFlow忽略未找到的参数，避免报错：

• 如果你用的是tf.train.Checkpoint加载：

  checkpoint = tf.train.Checkpoint(model=your_baseline_model)
  # 用expect_partial()忽略未找到的参数
  checkpoint.restore(ckpt_path).expect_partial()
  

• 如果你用的是Keras的load_weights()：

  # 设置skip_mismatch=True跳过不匹配的参数
  your_baseline_model.load_weights(ckpt_path, skip_mismatch=True)
  

⚠️ 注意：这种方法只适合新增参数的场景，如果是参数名称写错了，还是得修正模型结构，不然训练时会用随机初始化的参数，影响效果。

4. 最稳妥的方法：重新训练并保存模型 #

如果上面的方法都搞不定，那直接重新训练一次模型吧——确保训练时的模型结构和你现在用的完全一致，然后重新保存检查点：

# 训练模型
your_baseline_model.fit(train_data, train_labels, epochs=10)
# 保存权重（或者用model.save()保存整个模型）
your_baseline_model.save_weights('./new_checkpoint')

这样新的检查点就会包含当前模型的所有参数，包括baseline/bias，加载时就不会报错了。

内容的提问来源于stack exchange，提问作者user