从实验框架对保存的TensorFlow模型的预测

我已经通过实验框架成功地训练和验证了我的TensorFlow模型。我现在对如何从保存的模型中预测新样本有点迷茫。我的实验代码与前一个单元格中定义的特征列类似：

def experiment_fn(output_dir):
    return tflearn.Experiment(
        tflearn.DNNClassifier(feature_columns=feature_cols,
                              hidden_units=[30, 2],
                              n_classes=2,
                              model_dir=output_dir),
        train_input_fn=get_train(),
        eval_input_fn=get_valid(),
        eval_metrics = {
    "accuracy":
        tf.contrib.learn.MetricSpec(
            metric_fn=tf.contrib.metrics.streaming_accuracy,
            prediction_key=tf.contrib.learn.PredictionKey.CLASSES),
    "precision":
        tf.contrib.learn.MetricSpec(
            metric_fn=tf.contrib.metrics.streaming_precision,
            prediction_key=tf.contrib.learn.PredictionKey.CLASSES),
    "recall":
        tf.contrib.learn.MetricSpec(
            metric_fn=tf.contrib.metrics.streaming_recall,
            prediction_key=tf.contrib.learn.PredictionKey.CLASSES)
}
    )

learn_runner.run(experiment_fn, 'model_trained')

在保存和恢复模型时，我认为我可以在DNNClassifier上检索预测方法，如下所示：

op_to_restore = graph.get_tensor_by_name("predict:0")

然后使用新样本构建提要并运行：

print sess.run(op_to_restore,feed_dict)

然而，在成功恢复模型后，TensorFlow抱怨无法找到“预测”操作

---

这里的任何帮助都将不胜感激。谢谢

如果您在

learn\u runner

中设置了

schedule='train'

，它将返回一个估计器。对于

schedule='train\u和\u evaluate

它需要一个，或者您可以通过传递与实验相同的模型目录，从最后一个检查点重新构造估计器。谢谢！使用schedule='train'很好。我可以根据我的测试数据进行预测。但是，您对将预测映射回我原始数据中的“关键”列有什么建议吗？在本例中，它表示原始结果的行号。这只是使用估计器的

predict（）

？我要避免在

输入\u fn

中乱序，那么预测应该与输入的顺序相同。谢谢。是的，看起来这是可行的。我可能有一个解决这个问题的方法，我在最近写的一篇博文的末尾记录了这个方法：如果你在

learn\u runner

中设置

schedule='train'

，它将返回一个估计器。对于

schedule='train\u和\u evaluate

它需要一个，或者您可以通过传递与实验相同的模型目录，从最后一个检查点重新构造估计器。谢谢！使用schedule='train'很好。我可以根据我的测试数据进行预测。但是，您对将预测映射回我原始数据中的“关键”列有什么建议吗？在本例中，它表示原始结果的行号。这只是使用估计器的

predict（）

？我要避免在

输入\u fn

中乱序，那么预测应该与输入的顺序相同。谢谢。是的，看起来这是可行的。我可能有一个解决这个问题的方法，我在最近写的一篇博文的末尾记录了这个方法：