模型重训后图像分类报错：无法解析feed_dict键为张量

嘿，这个报错我之前帮不少开发者排查过，大概率是重新训练模型后，代码里的张量引用和新模型不匹配导致的。我来帮你梳理几个最可能的原因和解决办法：

1. 输入/输出张量名称不匹配（最常见） #

重新训练后的模型，输入节点或者输出节点的名称可能和原Inception模型默认的不一样。比如原模型输入可能是DecodeJpeg/contents:0或input:0，但你重新训练时可能修改了输入定义，导致代码里用的旧张量名在新模型里不存在。

解决办法：先确认新模型的张量名称 #

用这段代码打印出你新生成的graph.pb里所有的张量节点名称：

import tensorflow as tf

def print_all_tensor_names(graph_path):
    with tf.gfile.FastGFile(graph_path, 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        tf.import_graph_def(graph_def, name='')
    with tf.Session() as sess:
        # 遍历所有操作节点，打印名称
        for op in sess.graph.get_operations():
            print(op.name)

运行后，找到和输入、输出相关的节点（比如带input、final_result、DecodeJpeg字样的），然后在你的分类代码里替换对应的张量引用。比如原来用字符串当key的，改成从加载的图中获取张量对象：

# 加载模型后，获取正确的输入输出张量
input_tensor = graph.get_tensor_by_name('实际输入节点名称:0')
output_tensor = graph.get_tensor_by_name('实际输出节点名称:0')

# 然后在feed_dict里用这个张量对象当key
predictions = sess.run(output_tensor, feed_dict={input_tensor: 预处理后的图像数据})

2. 模型加载方式有问题 #

看你提供的load_graph()片段，可能没有正确绑定图和会话。如果加载模型时没有指定默认图，或者会话和图的关联出错，也会导致无法识别张量。

正确的模型加载示例： #

def load_graph(graph_path):
    # 创建新的图对象并设为默认
    graph = tf.Graph()
    with graph.as_default():
        with tf.gfile.FastGFile(graph_path, 'rb') as f:
            graph_def = tf.GraphDef()
            graph_def.ParseFromString(f.read())
            tf.import_graph_def(graph_def, name='')
    # 绑定会话到这个图
    sess = tf.Session(graph=graph)
    return sess, graph

之后分类时，必须从这个加载的graph对象中获取张量，而不是随便用字符串或者其他图的张量。

3. 图像预处理和训练时不一致 #

如果重新训练时对图像做了特殊预处理（比如固定尺寸resize、归一化范围、颜色通道转换），但分类代码里的预处理步骤和训练时不一样，也可能导致输入张量的形状/数据类型不匹配，触发类似报错。

检查方向： #

• 确认训练时的图像输入尺寸（比如Inception v3默认是299x299），分类代码里也要resize到相同尺寸
• 检查训练时是否将图像转为RGB/灰度，分类时保持一致
• 确认归一化范围（比如是否除以255.0，或者用均值方差归一化）

如果能提供完整的报错堆栈信息，还能更精准定位问题，但先试试上面这几个方向，应该能解决大部分情况。

内容的提问来源于stack exchange，提问作者Md. Showkat Hossain Chy