Tensorflow restore()报错：缺少必需位置参数'save_path'问题排查

我来帮你拆解一下问题，你遇到的这个错误本质上是Saver实例化和模型加载的方式不对，再加上训练和预测环节的几个小疏漏，咱们一个个来解决：

1. 最直接的错误：Saver没有实例化 #

你在预测代码里写了：

saver = tf.train.Saver

这里你只是把tf.train.Saver这个类赋值给了saver变量，而不是创建它的实例。类的restore方法第一个参数是实例本身（self），你直接用类调用的话，会把sess当成self，后续参数全部错位，自然会提示缺少save_path参数。

正确的写法是加括号实例化：

saver = tf.train.Saver()

2. 模型保存时的参数规范问题 #

训练代码里的保存语句：

save_path = saver.save(sess, model_path , hidden_nodes)

saver.save()的第三个参数是global_step，用来给模型文件名加后缀（比如model.ckpt-5），你直接传hidden_nodes虽然不会报错，但加载时需要对应这个后缀。建议显式指定参数名，让代码更清晰：

save_path = saver.save(sess, model_path, global_step=hidden_nodes)

这样保存的文件会自动带上hidden_nodes的值作为后缀，加载时需要使用对应的完整路径（比如./iris_model-10）。

3. 预测时需匹配图结构（或加载元图） #

训练时你在create_train_model函数里重置了图并定义了X、y、y_est等张量，但预测时你的代码没有重新定义这些节点，直接调用sess.run(y_est)会找不到这个张量。有两种解决办法：

方法一：重建与训练完全一致的图 #

在预测代码里先复刻训练时的网络结构：

new_samples = np.array([[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=np.float64) # 注意和训练时的dtype保持一致（训练用的是float64）
with tf.Session() as sess:
    # 重建图结构
    tf.reset_default_graph()
    X = tf.placeholder(shape=(None, 4), dtype=tf.float64, name='X') # 把shape改为(None,4)，支持任意批量输入
    W1 = tf.Variable(np.random.rand(4, hidden_nodes), dtype=tf.float64)
    W2 = tf.Variable(np.random.rand(hidden_nodes, 3), dtype=tf.float64)
    A1 = tf.sigmoid(tf.matmul(X, W1))
    y_est = tf.sigmoid(tf.matmul(A1, W2), name='y_est') # 给输出张量加name，方便后续识别
    
    # 实例化Saver并加载模型
    saver = tf.train.Saver()
    saver.restore(sess, f"{model_path}-{hidden_nodes}") # 对应保存的带后缀路径
    
    # 执行预测
    y_est_val = sess.run(y_est, feed_dict={X: new_samples})
    print(y_est_val)

方法二：直接加载训练时保存的元图 #

训练时saver.save()会自动生成.meta文件，包含完整的图结构，你可以直接加载，不用重复写网络：

new_samples = np.array([[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=np.float64)
with tf.Session() as sess:
    # 加载元图和模型参数
    saver = tf.train.import_meta_graph(f"{model_path}-{hidden_nodes}.meta")
    saver.restore(sess, f"{model_path}-{hidden_nodes}")
    
    # 从图中获取需要的张量
    graph = tf.get_default_graph()
    X = graph.get_tensor_by_name('X:0')
    y_est = graph.get_tensor_by_name('y_est:0')
    
    # 执行预测
    y_est_val = sess.run(y_est, feed_dict={X: new_samples})
    print(y_est_val)

4. 训练时输入占位符的shape优化 #

你训练时把X的shape设成了(120,4)，这意味着只能接受固定120条数据的输入，预测时输入2条数据会触发形状不匹配错误。建议改成(None,4)，支持任意批量大小的输入：

X = tf.placeholder(shape=(None, 4), dtype=tf.float64, name='X')
y = tf.placeholder(shape=(None, 3), dtype=tf.float64, name='y')

修正后的完整预测示例 #

假设你保存的是hidden_nodes=10的模型，model_path为./iris_model，预测代码可以这样写：

import tensorflow as tf
import numpy as np

model_path = "./iris_model"
hidden_nodes = 10

new_samples = np.array([[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=np.float64)

with tf.Session() as sess:
    # 加载元图和参数
    saver = tf.train.import_meta_graph(f"{model_path}-{hidden_nodes}.meta")
    saver.restore(sess, tf.train.latest_checkpoint('./'))
    
    # 获取张量
    graph = tf.get_default_graph()
    X = graph.get_tensor_by_name('X:0')
    y_est = graph.get_tensor_by_name('y_est:0')
    
    # 预测并转换为类别
    predictions = sess.run(y_est, feed_dict={X: new_samples})
    predicted_classes = np.argmax(predictions, axis=1)
    class_names = ['setosa', 'versicolor', 'virginica']
    
    print("预测结果：")
    for sample, cls in zip(new_samples, predicted_classes):
        print(f"样本{sample} -> {class_names[cls]}")

内容的提问来源于stack exchange，提问作者Kyrylo Kalashnikov