说我已经训练过Tensorflow Estimator：
estimator = tf.contrib.learn.Estimator(
model_fn=model_fn,
model_dir=MODEL_DIR,
config=some_config)
我适合一些火车数据：
estimator.fit(input_fn=input_fn_train, steps=None)
我的想法是模型适合我的MODEL_DIR。此文件夹包含一个检查点以及.meta和.index的几个文件。
这完美无缺。我想用我的函数做一些预测：
estimator = tf.contrib.Estimator(
model_fn=model_fn,
model_dir=MODEL_DIR,
config=some_config)
predictions = estimator.predict(input_fn=input_fn_test)
我的解决方案完美无缺，但有一个很大的缺点：你需要知道model_fn，这是我在Python中定义的模型。但是，如果我通过在Python代码中添加密集层来更改模型，则此模型对于MODEL_DIR中保存的数据不正确，从而导致不正确的结果：
NotFoundError (see above for traceback): Key xxxx/dense/kernel not found in checkpoint
我该如何应对？如何加载我的模型/估算器，以便我可以对一些新数据进行预测？如何从MODEL_DIR加载model_fn或估算器？
答案 0 :(得分：1)
仅在模型和检查点兼容的情况下，才能从检查点恢复模型的状态。例如，假设您培训了一个DNNClassifier Estimator，其中包含两个隐藏图层，每个图层包含10个节点：
classifier = tf.estimator.DNNClassifier(
feature_columns=feature_columns,
hidden_units=[10, 10],
n_classes=3,
model_dir='models/iris')
classifier.train(
input_fn=lambda:train_input_fn(train_x, train_y, batch_size=100),
steps=200)
训练后（因此，在models/iris中创建检查点后），想象您将每个隐藏层中的神经元数量从10更改为20，然后尝试重新训练模型：
classifier2 = tf.estimator.DNNClassifier(
feature_columns=my_feature_columns,
hidden_units=[20, 20], # Change the number of neurons in the model.
n_classes=3,
model_dir='models/iris')
classifier.train(
input_fn=lambda:train_input_fn(train_x, train_y, batch_size=100),
steps=200)
由于检查点中的状态与classifier2中描述的模型不兼容，因此重新训练失败并出现以下错误：
...
InvalidArgumentError (see above for traceback): tensor_name =
dnn/hiddenlayer_1/bias/t_0/Adagrad; shape in shape_and_slice spec [10]
does not match the shape stored in checkpoint: [20]
要运行您训练和比较模型略有不同版本的实验，请保存创建每个model_dir的代码副本，可能是为每个版本创建一个单独的git分支。这种分离将使您的检查点可以恢复。
从张量流检查点doc。
复制 希望能帮助你。