我的训练好的神经网络无法正常工作。我想将一个numpy数组（本质上是一张图片）输入到我的训练网络中。

with tf.Session() as sess:    # 从文件中恢复图
    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='')
    softmax_tensor = sess.graph.get_tensor_by_name('y_pred:0')
    predictions = sess.run(softmax_tensor,                           {'DecodeJpeg/contents:0': image_data})

我总是得到这个错误：

TypeError: 无法将feed_dict的键解释为张量：名称’DecodeJpeg/contents:0’指的是一个不存在的张量。操作’DecodeJpeg/contents’在图中不存在。

我尝试了许多不同的键来解决这个问题，但始终无法正确设置。我使用数据集API训练了网络，这意味着我没有可以填充的tf.placeholder。相反，网络是通过数据集上的迭代器来接收张量对象的输入。tfrecord文件是使用谷歌的这个脚本创建的

我的模型函数的开始部分：

input_layer = tf.reshape(features["image"], [-1, _DEFAULT_IMAGE_SIZE, _DEFAULT_IMAGE_SIZE, 3])

结尾部分的摘录：

predictions = {    # 生成预测（用于PREDICT和EVAL模式）
    "classes": tf.argmax(input=logits, axis=1),
    # 将`softmax_tensor`添加到图中。它用于PREDICT和`logging_hook`。
    "probabilities": tf.nn.softmax(logits, name="y_pred")}
if mode == tf.estimator.ModeKeys.PREDICT:
    return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)
# 计算损失（用于TRAIN和EVAL模式）
onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=2)
loss = tf.losses.softmax_cross_entropy(onehot_labels=onehot_labels, logits=logits)

这是拓扑结构

我如何获得这些预测/如何将图片输入到网络中？

回答：

你可以为你的输入层命名，然后像处理softmax张量那样通过名称获取它，然后将你的numpy数组输入进去。看起来像这样：

# 首先，为你的输入张量命名
input_layer = tf.reshape(features["image"], [-1, _DEFAULT_IMAGE_SIZE, _DEFAULT_IMAGE_SIZE, 3], name='input_layer')
...
predictions = sess.run('y_pred:0',                       {'input_layer:0': image_data})

只要image_data的形状是[1, _DEFAULT_IMAGE_SIZE, _DEFAULT_IMAGE_SIZE, 3]，这应该可以工作。

关于为什么你无法通过名称访问DecodedJpeg张量的解释是，tf.Dataset操作不在主图中。