TensorFlow：如何使用持久化会话评估动态测试数据？

刚好之前在项目里处理过类似的动态评估需求，给你梳理一个清晰的实现方案：

核心思路 #

因为测试数据是动态生成的（依赖上一次评估结果），所以我们需要一个可以单次调用、独立完成单份数据评估的函数，而不是一次性批量处理所有数据。每次评估完当前数据后，用结果生成新数据，再传入函数重复这个流程。

具体实现（TF1.x版本） #

首先假设你已经有训练好的模型（比如保存为.ckpt格式），我们先完成模型加载和评估函数的编写：

import tensorflow as tf

# 1. 定义模型结构（要和训练时的结构完全一致）
def build_model(input_tensor):
    # 示例：简单的全连接网络，替换成你自己的模型结构
    layer1 = tf.layers.dense(input_tensor, 128, activation=tf.nn.relu)
    layer2 = tf.layers.dense(layer1, 64, activation=tf.nn.relu)
    output = tf.layers.dense(layer2, 10, activation=tf.nn.softmax)
    return output

# 2. 编写逐次评估函数
def evaluate_single_data(testing_data, sess, input_ph, output_tensor):
    # 传入单份测试数据，运行评估并返回结果
    result = sess.run(output_tensor, feed_dict={input_ph: testing_data})
    return result

# 3. 初始化会话并加载预训练模型
def init_model():
    # 定义输入占位符（注意shape要和你的测试数据匹配，比如单份数据是[784]的话，shape设为[None, 784]）
    input_ph = tf.placeholder(tf.float32, shape=[None, 784])
    output_tensor = build_model(input_ph)
    
    # 加载训练好的模型
    saver = tf.train.Saver()
    sess = tf.Session()
    saver.restore(sess, "./pretrained_model.ckpt")  # 替换成你的模型路径
    
    return sess, input_ph, output_tensor

# 4. 动态评估流程示例
if __name__ == "__main__":
    # 初始化模型
    sess, input_ph, output_tensor = init_model()
    
    # 初始测试数据（假设是单份样本，shape为[1, 784]）
    current_data = generate_initial_data()  # 替换成你的初始数据生成逻辑
    
    # 模拟动态评估循环（比如执行5次，或者直到满足某个停止条件）
    for _ in range(5):
        # 评估当前数据
        eval_result = evaluate_single_data(current_data, sess, input_ph, output_tensor)
        print("当前评估结果：", eval_result)
        
        # 根据评估结果生成下一份测试数据
        current_data = generate_next_data(eval_result)  # 替换成你的数据生成逻辑
    
    # 最后关闭会话
    sess.close()

TF2.x版本适配（更简洁） #

如果是使用TensorFlow 2.x（包括2.x的兼容模式），可以不用占位符，直接用函数式API或者Keras模型，代码会更简洁：

import tensorflow as tf

# 1. 加载预训练模型（假设是Keras模型，保存为.h5或SavedModel格式）
model = tf.keras.models.load_model("./pretrained_model")

# 2. 逐次评估函数
def evaluate_single_data(testing_data):
    # 单份数据要注意shape匹配，比如(1, 784)
    result = model.predict(testing_data, verbose=0)
    return result

# 3. 动态评估流程
if __name__ == "__main__":
    current_data = generate_initial_data()
    
    while True:  # 这里可以换成你的停止条件
        eval_result = evaluate_single_data(current_data)
        print("当前评估结果：", eval_result)
        
        # 生成下一份数据
        current_data = generate_next_data(eval_result)
        
        # 示例停止条件：比如结果中最大概率超过0.95就停止
        if tf.reduce_max(eval_result) > 0.95:
            break

注意事项 #

• 确保每次传入的测试数据shape和模型输入要求完全匹配，比如单份样本要加上batch维度（从[784]变成[1,784]）。
• 如果是TF1.x，会话只需要初始化一次，不要每次评估都重新加载模型，否则会极大降低效率。
• 动态生成数据的逻辑要和评估结果强关联，你可以根据自己的业务需求修改generate_next_data函数。

内容的提问来源于stack exchange，提问作者Le. CY