我有一个训练好的二分类模型。模型类中包含self.cost、self.initial_state、self.final_state和self.logits参数。模型简单地通过tf.train.Saver保存：

saver = tf.train.Saver(tf.global_variables(), max_to_keep=1)saver.save(session, 'model.ckpt')

模型训练完成后，我这样加载它：

with tf.variable_scope("Model", reuse=False):    model = MODEL(config, is_training=False)with tf.Session() as session:    saver = tf.train.Saver(tf.global_variables())    saver.restore(session, 'model.ckpt')

然而，我的model.run函数返回的是图中最后一个操作的交叉熵损失。我不需要损失，我需要的是每个批次元素的模型预测结果

logits = tf.sigmoid(tf.nn.xw_plus_b(last_layer, self.output_w, self.output_b))

其中last_layer是一个800x1的矩阵，之后我将其重塑为32x25x1（批次大小，序列长度，1）的矩阵。这个矩阵包含了模型预测值，范围在[0-1]之间。

那么，如何使用这个模型对单个元素矩阵1x1x1进行预测呢？

回答：

添加必要的操作符来计算准确率，类似于我下方复制的代码（只是从我手边最接近的模型中复制出来的）。

  self.logits_flat = tf.argmax(logits, axis=1, output_type=tf.int32)  labels_flat = tf.argmax(labels, axis=1, output_type=tf.int32)  accuracy = tf.cast(tf.equal(self.logits_flat, labels_flat), tf.float32, name='accuracy')

现在，当你运行模型（无论是在测试还是训练时），在sess.run调用中添加准确率，如下所示：

sess.run([train_op, accuracy], feed_dict=...)

或者

sess.run([accuracy, logits], feed_dict=...)

当你调用sess.run时，你所做的是告诉Tensorflow计算你所请求的任何值。你需要传递它所需的任何数据来执行这些计算。Tensorflow是惰性的，它不会执行任何明确不需要的计算来产生你请求的结果。例如，如果你运行上面列出的第二个版本的sess.run，优化器将不会运行，因此你的权重不会被更新。

请注意，你可以在网络训练后添加这些操作符，因为它们实际上不会添加任何变量，因此它们不会影响保存/恢复过程。