TensorFlow文本分类模型的保存、复用及测试方法咨询

嘿，我来帮你理顺这些问题！你碰到的ValueError: No variables to save其实是因为tf.train.Saver和tf.estimator这套高层API不兼容——estimator有自己的模型保存机制，完全不用手动折腾Saver。下面一步步给你解决：

tf.estimator.DNNClassifier自带模型保存功能，你只需要在创建分类器时指定model_dir参数，训练过程中它会自动把模型 checkpoint 保存到这个目录里，根本不需要调用tf.train.Saver。示例代码如下：

import tensorflow as tf
import tensorflow_hub as hub

# 定义TF Hub文本嵌入特征列
embedded_text_feature_column = hub.text_embedding_column(
    key="sentence", 
    module_spec="https://tfhub.dev/google/nnlm-en-dim128/2"
)

# 创建分类器时指定模型保存路径
classifier = tf.estimator.DNNClassifier(
    hidden_units=[64, 32],
    feature_columns=[embedded_text_feature_column],
    n_classes=2,
    model_dir="./sentiment_model"  # 模型会自动保存在这个文件夹
)

# 训练代码（和你之前的逻辑一致）
train_input_fn = ... # 你的训练输入函数
classifier.train(input_fn=train_input_fn, steps=1000)

训练完成后，./sentiment_model目录下会生成checkpoint文件、变量文件等，下次直接加载就能复用。

要复用模型，只需要用同一个model_dir重新创建DNNClassifier，estimator会自动加载目录里最新的checkpoint，无需重新训练：

# 加载已保存的模型，参数要和训练时完全一致
loaded_classifier = tf.estimator.DNNClassifier(
    hidden_units=[64, 32],
    feature_columns=[embedded_text_feature_column],
    n_classes=2,
    model_dir="./sentiment_model"
)

把你的测试数据转换成estimator能识别的输入函数，然后调用evaluate方法就能得到测试集的评估指标（准确率、损失等）：

import pandas as pd

# 定义测试集输入函数（假设你的测试数据是CSV格式，包含sentence和label列）
def test_input_fn(df):
    return tf.compat.v1.estimator.inputs.pandas_input_fn(
        x={"sentence": df["sentence"]},
        y=df["label"],
        batch_size=32,
        shuffle=False  # 测试集不需要打乱
    )

# 加载你的测试数据（替换成你自己的加载逻辑）
test_df = pd.read_csv("your_test_dataset.csv")

# 运行评估
eval_results = loaded_classifier.evaluate(input_fn=lambda: test_input_fn(test_df))
print("测试集评估结果：")
for key, value in eval_results.items():
    print(f"{key}: {value:.4f}")

如果你的测试数据是numpy数组格式，可以用tf.compat.v1.estimator.inputs.numpy_input_fn来创建输入函数。

针对单条或多条样本文本，同样需要先构建输入函数，再调用predict方法获取结果：

import numpy as np

# 定义预测用的输入函数
def predict_input_fn(sentences):
    return tf.compat.v1.estimator.inputs.numpy_input_fn(
        x={"sentence": np.array(sentences)},
        batch_size=1,
        shuffle=False
    )

# 测试样本文本
sample_sentences = [
    "This is the best meal I've ever had!",
    "The service was terrible and the food was cold."
]

# 获取预测结果（predict返回生成器，需转成列表遍历）
predictions = list(loaded_classifier.predict(input_fn=lambda: predict_input_fn(sample_sentences)))

# 解析并打印结果
for sentence, pred in zip(sample_sentences, predictions):
    predicted_label = "正面情感" if pred["class_ids"][0] == 1 else "负面情感"
    confidence = pred["probabilities"].max()
    print(f"文本：{sentence}")
    print(f"预测结果：{predicted_label}，置信度：{confidence:.4f}\n")

predict返回的结果里，class_ids是预测的类别索引，probabilities是每个类别的概率值。

内容的提问来源于stack exchange，提问作者John Aristo