InvalidArgumentErrorAssign requires shapes of both tensors to match. lhs shape= rhs shape

训练模型后，想着测试模型效果，模型加载遇到以下问题，😭不修改测试代码，报错居然还不一样。

InvalidArgumentError (see above for traceback): Assign requires shapes of both tensors to match. lhs shape= [64] rhs shape= [4,128,1,64]

InvalidArgumentError (see above for traceback): Assign requires shapes of both tensors to match. lhs shape= [192,6126] rhs shape= [64]

模型加载代码如下

X=tf.placeholder(dtype=tf.int32,shape=[None,42])
# Y=tf.placeholder(dtype=tf.int32,shape=[None, 6126])
output=interface(X)
saver=tf.train.Saver()
with tf.Session() as sess:
    saver.restore(sess, "H:/NLP/NLP/own_textcnn_1/model/textcnn_model-0")

主要是以下几个问题导致了bug的产生：

1、测试与训练的输入不同，确保

X=tf.placeholder(dtype=tf.int32,shape=[None,42])

这段代码与训练一致

2、模型保存文件夹中的checkpoint与当前模型不匹配，确保模型加载正确，保存的模型是完整的。

3、训练代码问题，无论定义函数还是分成网络结构、训练代码、测试代码来编写程序是非常有必要的。训练代码中全局变量尽量保证只有embedding_size、dropout_keep_prob、num_filters这些必要参数，并指定确切的数字。我将get_batch()函数也放在训练代码中，为了方便将数据的读取就当作全局变量，embedding_size、dropout_keep_prob、num_filters的取值有些就直接是len(x)，这种操作我感觉会tf.train.Saver()会保存一些错误或者全局信息进入模型，导致维度不匹配的情况出现。在测试代码没变的情况下，修改了训练代码模型，将全局变量全部纳入某些函数中程序就调通了，证明就是训练出现的问题。