Python 如何使恢复的Tensorflow模型的输入大小适应批量大小1，以进行测试时间评估？

我试图在推理阶段使用一个经过训练的张量流模型。在培训期间，我使用了通过shuffle_batch函数获得的8个批量：

image_batch, label_batch = \
    tf.train.shuffle_batch([image, label], batch_size=8, 
                           capacity=2000, num_threads=2, 
                           min_after_dequeue=1000)

以下是推理阶段的相关部分：

with tf.Session() as sess:
    saver = tf.train.import_meta_graph('model_enc_dec-0.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./'))

    graph = tf.get_default_graph()
    pred = tf.get_collection('logits_key')[0]

    image_batch_tensor = tf.get_collection('image_batch_key')[0]
    .......
    .......
    # image_loaded_from_disk is of size (1, 384, 384, 3)
    feed_dict = {image_batch_tensor:image_loaded_from_disk}
    pred_np = sess.run([pred], feed_dict=feed_dict)

以下是我在恢复的模型上运行推断时在sess.run（）行获得的错误：

ValueError:无法为Tensor u'shuffle_批次：0'提供形状（1384384，3）的值，该批次具有形状'（8384384，3）'

---

如何调整经过训练的模型，使其接受单个图像以在模型中向前移动？

您是否对占位符的形状使用了

None

？如果是这样的话，也许可以用形状（1384384，3）号的新占位符替换

image\u batch\u tensor

。

shuffle\u batch

刚刚返回了一个大小的张量（batch\u size，384384，3）。我无法选择

无

。但是，我在

shuffle\u batch

中找到了一个名为

allow\u smaller\u final\u batch=True的选项。我想知道这是否会导致训练速度变慢。将
allow_minger_final_batch=True
添加到
tf.train.shuffle_batch
会冻结训练代码。它甚至不训练。重要的问题是：变量
image\u batch\u tensor
如何声明？在训练阶段，我将tensor
image\u batch
添加到名为
'image\u batch\u key'
的集合中，如下所示：
tf.add\u to\u collection（'image\u batch\u key'，image\u batch）
。这与加载元图后获得的张量相同。