Restoring from checkpoint failed,Assign requires shapes of both tensors to match. lhs shape= [700,8] rhs shape= [660,8]

简介: 模型恢复出错,是特征参数不一致问题

报错信息:
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/training/saver.py", line 1558, in build
self._build(self._filename, build_save=True, build_restore=True)
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/training/saver.py", line 1627, in _build
build_save=build_save, build_restore=build_restore)
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/training/saver.py", line 1188, in _build_internal
restore_sequentially, reshape)
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/training/saver.py", line 783, in _AddShardedRestoreOps
name="restore_shard"))
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/training/saver.py", line 752, in _AddRestoreOps
assign_ops.append(saveable.restore(saveable_tensors, shapes))
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/training/saver.py", line 278, in restore
self.op.get_shape().is_fully_defined())
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/ops/state_ops.py", line 236, in assign
validate_shape=validate_shape)
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/ops/gen_state_ops.py", line 62, in assign
use_locking=use_locking, name=name)
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/framework/op_def_library.py", line 787, in _apply_op_helper
op_def=op_def)
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/util/deprecation.py", line 488, in new_func
return func(args, *kwargs)
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 3401, in create_op
op_def=op_def)
File "/worker/venv/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 1771, in init
self._traceback = tf_stack.extract_stack()

InvalidArgumentError (see above for traceback): Restoring from checkpoint failed. This is most likely due to a mismatch between the current graph and the graph from the checkpoint. Please ensure that you have not altered the graph expected based on the checkpoint. Original error:

Assign requires shapes of both tensors to match. lhs shape= [700,8] rhs shape= [660,8]
[node save/Assign_7 (defined at /worker/tensorflow_jobs/easy_rec/python/model/easy_rec_estimator.py:74) = Assign[T=DT_FLOAT, _class=["loc:@attr_value_names_embedding/embedding_weights"], use_locking=true, validate_shape=true, _device="/job:localhost/replica:0/task:0/device:CPU:0"]]

很明显可以看到是Restoring from checkpoint failed ,从ckpt恢复模型出错,出错原因呢是现在的模型和ckpt的模型中attr_value_names的参数不一样。

相关实践学习
机器学习概览及常见算法
机器学习(Machine Learning, ML)是人工智能的核心,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,它是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。 本课程将带你入门机器学习,掌握机器学习的概念和常用的算法。
相关文章
|
机器学习/深度学习 人工智能 监控
如何利用机器学习提高人脸识别准确率
如何利用机器学习提高人脸识别准确率
675 1
|
编译器 C++ 开发者
Visual Studio属性表:在新项目中加入已配置好的C++库
通过以上步骤可以确保Visual Studio中新项目成功地加入了之前已配置好的C++库。这个过程帮助开发者有效地管理多个项目中共享的库文件,提升开发效率。
1177 0
|
SQL 分布式计算 MaxCompute
SQL开发问题之对于ODPS中的UNION操作,执行计划的问题如何解决
SQL开发问题之对于ODPS中的UNION操作,执行计划的问题如何解决
497 7
|
2天前
|
云安全 人工智能 运维
当攻击全面Agent化,你的安全防御能否跟上AI Speed?
多起客户侧AK泄露事件应急的真实观察
1202 1
|
25天前
|
人工智能 JSON API
全网刷屏的 Jev 模型正式开放!一手实战测评 + 保姆级教程
全网爆火的 Jev 模型是什么?有什么用?怎么使用?怎么接入 AI 编程工具?效果真的好么?傻子可懂的 Jev 保姆级实战教程 + 项目实战测评来啦
9596 32
|
11天前
|
存储 人工智能 并行计算
大模型本地部署终端选型方法论:以 Qwen3.8-27B 为例的四档分层完整流程
本文提出一套大模型本地部署终端选型方法论:定约束、定档位、定框架、定参数四步决策法,配合入门、主力、质量、无损四档分层模型。以 Qwen3.8-27B 实测数据为例,逐环节解读显存、带宽、存储、散热、系统、预算等要素,给出面向不同预算的优选方案、决策自查清单与市场观察框架。文末前瞻 AI 笔记本的 CPU+GPU 与统一内存两条路线,论证四步决策法在新品类上的延续性。
|
10天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型深度拆解:原理解读、实战测评与保姆级落地教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为**System One Model(系统一模型)**,对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
795 1
|
6天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型全解析:核心原理拆解,性能实战测评与落地部署教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为System One Model(系统一模型),对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
524 0

热门文章

最新文章