此问题有多种可能的原因。首先想到的是模型中的权重可能在导入时被初始化为零。如果图中定义了初始化，则可能会发生这种情况（c.f. the loader）。要检查这一点，请使用以下命令：
from tensorflow.contrib.session_bundle import session_bundle
session, _ = session_bundle.load_session_bundle_from_path("/path/to/model")
print(s.graph.get_collection("serving_init_op"))
如果该集合中有东西，请确保它没有初始化变量。
如果没有初始化器，请确保权重本身看起来合理，例如，
session, _ = session_bundle.load_session_bundle_from_path("/path/to/model")
print(session.run("name_of_var:0"))
如果所有这些都得到满足，那么您可能需要注意图表的输入以及转换这些输入后的输出。为此，您可以使用session.run 运行图的部分内容。例如，您可以通过调用session.run 使用适当的提要和提取来提供 jpeg 字符串并查看沿途各个步骤的输出。
例如，使用this post 中的示例，我们可以从磁盘加载 JPEG，将其提供给图形，然后查看调整大小和缩放后数据的样子：
INPUT_PLACEHOLDER = 'Placeholder:0'
DECODE_AND_RESIZE = 'map/TensorArrayPack_1/TensorArrayGather:0'
SCALED = 'Mul:0'
# Read in a sample image, preferably with small dimensions.
jpg = open("/tmp/testing22222.jpg", "rb").read()
session, _ = session_bundle.load_session_bundle_from_path("/path/to/model")
resized, scaled = session.run([DECODE_AND_RESIZE, SCALED], feed_dict={INPUT_PLACEHOLDER: [jpg]})
通过在fetch 列表中策略性地放置图表中的张量名称，您可以检查神经网络的任何给定层中发生的情况，尽管最可能的问题在于输入和/或变量。
棘手的部分是找出张量的名称。您可以在定义大多数操作时使用name 属性，这可能会有所帮助。你也可以使用类似的东西：
print([o.name for o in session.graph.get_operations()])
帮助检查图中的操作。
最后，您可能还想尝试在本地运行图表，以最大限度地减少调试时的反馈周期。查看示例中的local_predict.py，了解如何执行此操作的示例。这将帮助您快速迭代以识别模型本身的问题。