CNNモデルを使って画像分類をして新しい画像の予測ラベルを表示させたいが学習済みモデルとのかみ合わせがうまくいかないので教えてほしいです

前提・実現したいこと

0と1の二つのラベル画像分類をしています。そのモデルを使用して新しい画像の予測ラベルを表示させたいのですがエラー文に詰まって意味が分からないので教えてほしいです。
モデル自体に問題があるのか保存の仕方に問題があるのかわかりません。

発生している問題・エラーメッセージ

NotFoundError: Key _CHECKPOINTABLE_OBJECT_GRAPH not found in checkpoint

During handling of the above exception, another exception occurred:

NotFoundError                             Traceback (most recent call last)
<ipython-input-7-ece98e557f90> in <module>
    102     sess.run(tf.global_variables_initializer())
    103     ckpt = tf.train.get_checkpoint_state('./ckpt')
--> 104     saver.restore(sess, ckpt.model_checkpoint_path) # 変数データの読み込み
    105 
    106     pred = np.argmax(logits.eval(feed_dict={x_image: [ximage], keep_prob: 1.0})[0])


NotFoundError: Restoring from checkpoint failed. This is most likely due to a Variable name or other graph key that is missing from the checkpoint. Please ensure that you have not altered the graph expected based on the checkpoint. Original error:

Key conv1_1/Variable not found in checkpoint
	 [[node save_1/RestoreV2 (defined at <ipython-input-7-d64b6e1aa736>:101) ]]

該当のソースコード

CNNモデル

python
1import sys
2import cv2
3import numpy as np
4import tensorflow as tf
5import tensorflow.python.platform
6import os
7import matplotlib.pyplot as plt
8
9NUM_CLASSES = 2
10IMAGE_SIZE = 28
11IMAGE_PIXELS = IMAGE_SIZE*IMAGE_SIZE*3
12
13flags = tf.app.flags
14FLAGS = flags.FLAGS
15tf.app.flags.DEFINE_string('f', '', 'kernel')
16flags.DEFINE_string('train', 'train.txt', 'File name of train data')
17flags.DEFINE_string('test', 'test.txt', 'File name of train data')
18flags.DEFINE_string('train_dir', '/tmp/data', 'Directory to put the training data.')
19flags.DEFINE_integer('max_steps', 200, 'Number of steps to run trainer.')
20flags.DEFINE_integer('batch_size', 64, 'Batch size'
21                     'Must divide evenly into the dataset sizes.')
22flags.DEFINE_float('learning_rate', 1e-4, 'Initial learning rate.')
23
24def inference(images_placeholder, keep_prob):
25    """ 予測モデルを作成する関数
26
27    引数: 
28      images_placeholder: 画像のplaceholder
29      keep_prob: dropout率のplace_holder
30
31    返り値:
32      y_conv: 各クラスの確率(のようなもの)
33    """
34    # 重みを標準偏差0.1の正規分布で初期化
35    def weight_variable(shape):
36      initial = tf.truncated_normal(shape, stddev=0.1)
37      return tf.Variable(initial)
38
39    # バイアスを標準偏差0.1の正規分布で初期化
40    def bias_variable(shape):
41      initial = tf.constant(0.1, shape=shape)
42      return tf.Variable(initial)
43
44    # 畳み込み層の作成
45    def conv2d(x, W):
46      return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
47
48    # プーリング層の作成
49    def max_pool_2x2(x):
50      return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
51                            strides=[1, 2, 2, 1], padding='SAME')
52
53    # 入力を28x28x3に変形
54    x_image = tf.reshape(images_placeholder, [-1, 28, 28, 3])
55
56    # 畳み込み層1の作成
57    with tf.name_scope('conv1') as scope:
58        W_conv1 = weight_variable([5, 5, 3, 32])
59        b_conv1 = bias_variable([32])
60        h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
61
62    # プーリング層1の作成
63    with tf.name_scope('pool1') as scope:
64        h_pool1 = max_pool_2x2(h_conv1)
65
66    # 畳み込み層2の作成
67    with tf.name_scope('conv2') as scope:
68        W_conv2 = weight_variable([5, 5, 32, 64])
69        b_conv2 = bias_variable([64])
70        h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
71
72    # プーリング層2の作成
73    with tf.name_scope('pool2') as scope:
74        h_pool2 = max_pool_2x2(h_conv2)
75
76    # 全結合層1の作成
77    with tf.name_scope('fc1') as scope:
78        W_fc1 = weight_variable([7*7*64, 1024])
79        b_fc1 = bias_variable([1024])
80        h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
81        h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
82        # dropoutの設定
83        h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
84
85    # 全結合層2の作成
86    with tf.name_scope('fc2') as scope:
87        W_fc2 = weight_variable([1024, NUM_CLASSES])
88        b_fc2 = bias_variable([NUM_CLASSES])
89
90    # ソフトマックス関数による正規化
91    with tf.name_scope('softmax') as scope:
92        y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
93
94    # 各ラベルの確率のようなものを返す
95    return y_conv
96
97def loss(logits, labels):
98    """ lossを計算する関数
99
100    引数:
101      logits: ロジットのtensor, float - [batch_size, NUM_CLASSES]
102      labels: ラベルのtensor, int32 - [batch_size, NUM_CLASSES]
103
104    返り値:
105      cross_entropy: 交差エントロピーのtensor, float
106
107    """
108
109    # 交差エントロピーの計算
110    cross_entropy = -tf.reduce_sum(labels*tf.log(logits))
111    # TensorBoardで表示するよう指定
112    tf.summary.scalar("cross_entropy", cross_entropy)
113    return cross_entropy
114
115def training(loss, learning_rate):
116    """ 訓練のOpを定義する関数
117
118    引数:
119      loss: 損失のtensor, loss()の結果
120      learning_rate: 学習係数
121
122    返り値:
123      train_step: 訓練のOp
124
125    """
126
127    train_step = tf.train.AdamOptimizer(learning_rate).minimize(loss)
128    return train_step
129
130def accuracy(logits, labels):
131    """ 正解率(accuracy)を計算する関数
132
133    引数: 
134      logits: inference()の結果
135      labels: ラベルのtensor, int32 - [batch_size, NUM_CLASSES]
136
137    返り値:
138      accuracy: 正解率(float)
139
140    """
141    correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(labels, 1))
142    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
143    tf.summary.scalar("accuracy", accuracy)
144    return accuracy
145if __name__ == '__main__':
146
147         # ファイルを開く
148    f = open('train/train.txt')
149    # データを入れる配列
150    train_image = []
151    train_label = []
152    for line in f:
153        # 改行を除いてスペース区切りにする
154        line = line.rstrip()
155        l = line.split()
156        # データを読み込んで28x28に縮小
157        img = cv2.imread('train/'+l[0])
158        img = cv2.resize(img, (28, 28))
159        # 一列にした後、0-1のfloat値にする
160        train_image.append(img.flatten().astype(np.float32)/255.0)
161        # ラベルを1-of-k方式で用意する
162        tmp = np.zeros(NUM_CLASSES)
163        tmp[int(l[1])] = 1
164        train_label.append(tmp)
165    # numpy形式に変換
166    train_image = np.asarray(train_image)
167    train_label = np.asarray(train_label)
168    f.close()
169
170    f = open('test/test.txt')
171    test_image = []
172    test_label = []
173
174    for line in f:
175        line = line.rstrip()
176        l = line.split()
177        img = cv2.imread('test/'+l[0])
178        img = cv2.resize(img, (28, 28))
179        test_image.append(img.flatten().astype(np.float32)/255.0)
180        tmp = np.zeros(NUM_CLASSES)
181        tmp[int(l[1])] = 1
182        test_label.append(tmp)
183    test_image = np.asarray(test_image)
184    test_label = np.asarray(test_label)
185    f.close()
186
187    with tf.Graph().as_default():
188        # 画像を入れる仮のTensor
189        images_placeholder = tf.placeholder("float", shape=(None, IMAGE_PIXELS))
190        # ラベルを入れる仮のTensor
191        labels_placeholder = tf.placeholder("float", shape=(None, NUM_CLASSES))
192        # dropout率を入れる仮のTensor
193        keep_prob = tf.placeholder("float")
194
195        # inference()を呼び出してモデルを作る
196        logits = inference(images_placeholder, keep_prob)
197        # loss()を呼び出して損失を計算
198        loss_value = loss(logits, labels_placeholder)
199        # training()を呼び出して訓練
200        train_op = training(loss_value, FLAGS.learning_rate)
201        # 精度の計算
202        acc = accuracy(logits, labels_placeholder)
203        prec = precision(logits, labels_placeholder)
204
205        # 保存の準備
206        saver = tf.train.Saver()
207        # Sessionの作成
208        sess = tf.Session()
209        # 変数の初期化
210        sess.run(tf.initialize_all_variables())
211        # 訓練の実行
212        if len(train_image) % FLAGS.batch_size is 0:
213            train_batch = len(train_image)/FLAGS.batch_size
214        else:
215            train_batch = int((len(train_image)/FLAGS.batch_size)+1)
216
217        shuffle_idx = np.arange(len(train_label))
218
219        for step in range(FLAGS.max_steps):
220            np.random.shuffle(shuffle_idx)
221            for i in range(train_batch):
222                # batch_size分の画像に対して訓練の実行
223                batch = FLAGS.batch_size*i
224                batch_idx = shuffle_idx[batch:batch+FLAGS.batch_size]
225                # feed_dictでplaceholderに入れるデータを指定する
226                sess.run(train_op, feed_dict={
227                  images_placeholder: train_image[batch_idx],
228                  labels_placeholder: train_label[batch_idx],
229                  keep_prob: 1.0})
230
231            # 1 step終わるたびに精度を計算する
232            train_accuracy = sess.run(acc, feed_dict={
233                images_placeholder: train_image,
234                labels_placeholder: train_label,
235                keep_prob: 1.0})
236            print(step, train_accuracy)
237
238
239    # 訓練が終了したらテストデータに対する精度を表示
240    print(sess.run(acc, feed_dict={
241        images_placeholder: test_image,
242        labels_placeholder: test_label,
243        keep_prob: 1.0}))
244
245    # 最終的なモデルを保存
246    save_path = saver.save(sess, ".\ckpt\model.ckpt")
247

import tensorflow as tf
import cv2
import numpy as np
import os

NUM_CLASSES = 2

def interence(imegs_placeholder, keep_prob):
--中略--    
    return y_conv

if __name__ == "__main__":
    print(os.getcwd())
    # 画像読み込み
    img = input("画像パスを入力してください >")
    img = cv2.imread(img, cv2.IMREAD_GRAYSCALE)
    img = cv2.resize(img, (28, 28))
    ximage = img.flatten().astype(np.float32)/255.0 #形式を変更

    # 式に用いる変数設定
    x_image = tf.placeholder("float", shape=[None, 784])    # 入力
    y_label = tf.placeholder("float", shape=[None, 2])
    keep_prob = tf.placeholder("float")

    logits = interence(x_image, keep_prob)
    sess = tf.InteractiveSession()

    saver = tf.train.Saver()
    sess.run(tf.global_variables_initializer())
    ckpt = tf.train.get_checkpoint_state('./ckpt')
    saver.restore(sess, ckpt.model_checkpoint_path) # 変数データの読み込み

    pred = np.argmax(logits.eval(feed_dict={x_image: [ximage], keep_prob: 1.0})[0])
    print(pred)

入力
C:\Users\koukioki\Desktop\isu_oki
画像パスを入力してください >./syorigo/1.jpg