我训练了一个递归神经网络（LSTM），并保存了权重和元图。当我检索元数据以进行预测时，只要序列长度与训练期间的长度相同，一切都可以正常工作。
LSTM的优点之一是输入的序列长度可以变化（例如，如果输入是组成句子的字母，则句子的长度可以变化）。
从元图检索图时，如何更改输入的序列长度？
使用代码的更多细节：
在培训期间，我使用占位符x和y来填充数据。为了进行预测，我检索了这些占位符，但无法更改其形状（从[None, previous_sequence_length=100, n_input]更改为[None, new_sequence_length=50, n_input]）。
在文件model.py中，定义体系结构和占位符：
self.x = tf.placeholder("float32", [None, self.n_steps, self.n_input], name='x_input')
self.y = tf.placeholder("float32", [None, self.n_classes], name='y_labels')
tf.add_to_collection('x', self.x)
tf.add_to_collection('y', self.y)
...
def build_model(self):
#using the placeholder self.x to build the model
...
tf.split(0, self.n_input, self.x) # split input for RNN cell
...
在文件
prediction.py中，我检索了用于预测的元图：with tf.Session() as sess:
latest_checkpoint = tf.train.latest_checkpoint(checkpoint_dir=checkpoint_dir)
new_saver = tf.train.import_meta_graph(latest_checkpoint + '.meta')
new_saver.restore(sess, latest_checkpoint)
x = tf.get_collection('x')[0]
y = tf.get_collection('y')[0]
...
sess.run(..., feed_dict={x: batch_x})
这是我得到的错误：
ValueError: Cannot feed value of shape (128, 50, 2) for Tensor u'placeholders/x_input:0', which has shape '(?, 100, 2)'
注意：当不使用元图而是从头开始重建模型并仅加载已保存的权重（而不是元图）时，我设法解决了此问题。
编辑：用
self.n_steps替换None并用tf.split(0, self.n_input, self.x)修改tf.split(0, self.x.get_shape()[1], self.x)时，出现以下错误：TypeError: Expected int for argument 'num_split' not Dimension(None). 最佳答案
定义变量时，建议您将其编写如下
[None, None, n_input]
代替：
[None, new_sequence_length=50, n_input]
在我的情况下有效。希望对您有所帮助