详解TensorFlow报”ValueError: Could not find matching function to call loaded from the SavedModel “的原因以及解决办法

问题描述

在使用TensorFlow进行模型训练和预测时，可能会遇到以下错误：

ValueError: Could not find matching function to call loaded from the SavedModel

这个错误通常表示加载了一个保存的模型，但TensorFlow无法找到与训练时使用的函数匹配的函数。因此，无法在该模型上执行预测或其他操作。

出现这个错误可能有多种原因。下面是一些解决方案。

解决方案

检查模型导出代码

首先，检查模型导出代码。确保在导出模型时，使用的是与训练代码中相同的函数。特别是，要确保在创建导出器对象（例如SavedModelBuilder）时，应该指定导出的函数的名称。例如：

builder = tf.saved_model.builder.SavedModelBuilder(saved_model_dir)
builder.add_meta_graph_and_variables(
    sess, [tf.saved_model.tag_constants.TRAINING],
    signature_def_map={
        'predict': tf.saved_model.signature_def_utils.predict_signature_def(
            inputs={'input': input_tensor},
            outputs={'output': output_tensor}
        )
    }
) 

这个例子中，'predict' 表示导出的函数名称，'input' 和 'output' 分别表示输入参数和输出参数的名称。这里需要确保导出的函数名称，以及输入和输出参数的名称与训练代码中使用的名称完全匹配。

检查模型加载代码

其次，检查模型加载代码。要确保使用了正确的标签（Tag）加载模型。例如：

loaded_model = tf.saved_model.load(saved_model_dir, [tf.saved_model.tag_constants.SERVING])

在这个例子中，[tf.saved_model.tag_constants.SERVING] 是用于加载模型的标签。如果模型被导出时，使用了训练标签，你可能需要将加载代码中的标签更改为训练标签。

检查模型签名

如果确保使用了正确的函数名称和标签，还可以检查模型签名。模型签名定义了模型输入和输出的张量的名称和类型。在训练时，你可以使用 tf.saved_model.signature_def_utils.predict_signature_def() 函数来定义模型签名。

在导出模型的代码中，应该定义所有使用到的标签的签名。例如，以下代码提供了两个签名：‘train’ 和 ‘predict’。

signature = tf.saved_model.signature_def_utils.predict_signature_def(inputs={'input': input_tensor}, outputs={'output': output_tensor})
builder.add_meta_graph_and_variables(sess, ['train'], signature_def_map={'train': signature}, ...)
builder.add_meta_graph_and_variables(sess, ['predict'], signature_def_map={'predict': signature}, ...)

在加载模型并执行预测时，你需要使用正确的签名来指定输入和输出参数。例如：

loaded_model = tf.saved_model.load(saved_model_dir, [tf.saved_model.tag_constants.SERVING])
predict_fn = loaded_model.signatures["predict"]
result = predict_fn(input=tf.constant(input_data))["output"]

在这个例子中，"predict" 表示函数名称，"input" 和 "output" 分别表示输入参数和输出参数的名称。你需要确保指定的签名与训练时使用的签名完全匹配。

创建新的环境并安装依赖项并尝试运行

如果上述解决方法都无法解决问题，可能需要从头开始重新创建环境，并确保安装了所有依赖项。在重新运行程序之前，请确保删除所有已经生成的缓存文件。

总结

这个错误可能有多种原因。为了解决问题，你可以检查导出和加载代码，确保函数名称、标签和签名等参数的一致性，并重新创建环境。如果问题仍然存在，请确保细致的跟踪错误，并通过TensorFlow的文档和广泛的社区资源来解决问题。