嗨，
我已经训练了模型并对其执行了tlt-prune操作，但是当我重新训练时，我遇到了一些问题。
这是我的日志：
使用TensorFlow后端。
2019-12-17 07：05：33.756084：I tensorflow / core / platform / cpu_feature_guard.cc：141]您的CPU支持该TensorFlow二进制文件未编译为使用的指令：AVX2 FMA
2019-12-17 07：05：33.869241 ：我tensorflow / stream_executor / cuda / cuda_gpu_executor.cc：998]从SysFS读取的成功NUMA节点具有负值（-1），但必须至少有一个NUMA节点，因此返回NUMA节点为零
2019-12-17 07： 05：33.869983：我tensorflow / compiler / xla / service / service.cc：150] XLA服务0x5770bd0在平台CUDA上执行计算。设备：
2019-12-17 07：05：33.870031：I tensorflow / compiler / xla / service / service.cc：158] StreamExecutor设备（0）：Tesla P4，计算能力6.1
2019-12-17 07：05：33.872881：I tensorflow / core / platform / profile_utils / cpu_utils.cc：94] CPU频率：2494220000 Hz
2019-12-17 07：05：33.873331：我tensorflow / compiler / xla / service / service.cc：150] XLA服务0x57d8a80执行计算在平台主机上。设备：
2019-12-17 07：05：33.873376：I tensorflow / compiler / xla / service / service.cc：158] StreamExecutor设备（0）：<未定义>，<未定义>
2019-12-17 07:05： 33.873574：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1433]找到了具有属性的设备0：
名称：Tesla P4 major：6 minor：1 memoryClockRate（GHz）：1.1135
pciBusID：0000：00：07.0
totalMemory：7.43GiB
空闲内存：5.97GiB 2019-12-17 07：05：33.873610：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1512]添加可见的gpu设备：0
2019-12-17 07：05：33.874461 ：我tensorflow / core / common_runtime / gpu / gpu_device.cc：984]具有强度1边缘矩阵的设备互连StreamExecutor：
2019-12-17 07：05：33.874496：我tensorflow / core / common_runtime / gpu / gpu_device.cc：990 ] 0
2019-12-17 07：05：33.874515：我tensorflow / core / common_runtime / gpu / gpu_device.cc：1003] 0：N
2019-12-17 07：05：33.874637：我tensorflow / core / common_runtime / gpu /gpu_device.cc:1115]创建TensorFlow设备（/ job：localhost /副本：0 / task：0 / device：GPU：0，具有5812 MB内存）->物理GPU（设备：0，名称：Tesla P4，pci总线id：0000：00：07.0，计算能力：6.1）
2019-12-17 07：05：33,876 [INFO] iva.detectnet_v2.scripts.train：在retrain_hat_person.txt加载实验规范。
2019-12-17 07：05：33,877 [INFO] iva.detectnet_v2.spec_handler.spec_loader：合并retrain_hat_person.txt中的规范
警告：tensorflow：来自./detectnet_v2/dataloader/utilities.py:114：tf_record_iterator（来自tensorflow.python （.lib.io.tf_record）已过时，并将在以后的版本中删除。
更新说明：
使用急切的执行和：
tf.data.TFRecordDataset（path）`
2019-12-17 07：05：33,884 [警告]张量流：来自./detectnet_v2/dataloader/utilities.py:114：tf_record_iterator（来自tensorflow.python.lib.io.tf_record）已过时，并将在以后的版本中删除。
更新说明：
使用急切的执行和：
tf.data.TFRecordDataset（path）
警告：tensorflow：从/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/op_def_library.py:263：colocate_with（from tensorflow.python.framework.ops）已过时，并将在以后的版本中删除。
更新说明：
托管服务器自动处理的托管。
2019-12-17 07：05：34,012 [警告] tensorflow：来自/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/op_def_library.py:263：colocate_with（来自tensorflow.python。 framework.ops）已弃用，并将在以后的版本中删除。
更新说明：
托管服务器自动处理的托管。
警告：tensorflow：来自/usr/local/lib/python2.7/dist-packages/horovod/tensorflow/init.py:91：div（来自tensorflow.python.ops.math_ops）已弃用，以后将被删除版。
更新说明：
不推荐使用operator或tf.math.divide。
2019-12-17 07：05：34,028 [警告] tensorflow：来自/usr/local/lib/python2.7/dist-packages/horovod/tensorflow/init.py:91：div（来自tensorflow.python.ops。 math_ops）已弃用，并将在以后的版本中删除。
更新说明：
不推荐使用operator或tf.math.divide。
/usr/local/lib/python2.7/dist-packages/keras/engine/saving.py:292：UserWarning：在保存文件中找不到训练配置：未编译模型。手动编译。
warnings.warn（‘在保存文件中未找到训练配置：’
图层（类型）输出形状参数＃连接到
======================= ================================================== =======================
input_1（InputLayer）（无， 3，640，649 ）0
conv1（Conv2D）（无，64，320，325 ）9472 input_1 [0] [0]
bn_conv1（批量标准化）（无，64，320，325）256 conv1 [0] [0]
activation_1（激活）（无，64、320、325）0 bn_conv1 [0] [0]
block_1a_cond_1（Con无，64、160、163）36928 Activation_1 [0] [0]
block_1a_bn_1（BatchNormalizati（无，64，160，163）256 block_1a_conv_1 [0] [0]
Activation_2（激活）（无，64、160、163）0 block_1a_bn_1 [0] [0]
block_1a_conv_2（Conv2 64、160、163）36928 Activation_2 [0] [0]
block_1a_conv_shortcut（Conv2D）（无，64、160、163）4160 activation_1 [0] [0]
block_1a_bn_2（BatchNormalizati（无，64，160，163）256 block_1a_conv_2 [0] [0]
block_1a_bn_shortcut（BatchNorm（无，64，160，163）
（添加）（0）[0] [0] [0] [0] [0] [0] [0] [0] 64、160、163）0 block_1a_bn_2 [0] [0]
block_1a_bn_shortcut [0] [0]
activation_3（活化）（无，64，160，163）0 add_1 [0] [0]
block_1b_conv_1（Conv2D）（无，64，160，163）36928 activation_3 [0] [0]
block_1b_bn_1（BatchNormalizati（无，64，160，163）256 block_1b_conv_1 [0] [0]
activation_4（激活）（无，64、160、163）0 block_1b_bn_1 [0] [0]
block_1b_conv_2（Conv2D）（无，64、160、163）36928 activation_4 [0] [0]
block_1b_bn_2（BatchNormalizati（ 64、160、163）256 block_1b_conv_2 [0] [0]
add_2（添加）（无，64、160、163）0 block_1b_bn_2 [0] [0]
activation_3 [0] [0]
activation_5（激活）（无，64、160、163）0 add_2 [0] [0]
block_2a_conv_1（Conv2D）（无，128、80、82）73856 activation_5 [0] [0] [0] [0] ]
block_2a_bn_1（BatchNormalizati（无，128、80、82）512 block_2a_conv_1 [0] [0]
激活_6（激活）（无，128，80，82）0块_2a_bn_1 [0] [0]
块_2a_conv_2（Conv2D）（无，128，80，82）147584激活_6 [0] [0]
块_2a_convD（）无，128、80、82）8320 activation_5 [0] [0]
block_2a_bn_2（BatchNormalizati（无，128，80，82）512 block_2a_conv_2 [0] [0]
block_2a_bn_shortcut（BatchNorm（无，128，80，82）512 block_2a_conv_shortcut [0] [0]
（1 ，80，82）0 block_2a_bn_2 [0] [0]
block_2a_bn_shortcut [0] [0]
activation_7（激活）（无，128、80、82）0 add_3 [0] [0]
block_2b_conv_1（Conv2D）（无，128、80、82）147584 activation_7 [0] [0]
block_2b_bn_1（BatchNormalizati（无， 128、80、82）512 block_2b_conv_1 [0] [0]
activation_8（激活）（无，128、80、82）0 block_2b_bn_1 [0] [0]
block_2b_conv_2（Conv2D）（无，128、80、82）147584 activation_8 [0] [0]
block_2b_bn_2（BatchNormalizati（无，128、80、82）512 block_2b_conv_2 [0] [0] 添加
（________________ ，128，80，82）0 block_2b_bn_2 [0] [0]
activation_7 [0] [0]
激活_9（激活）（无，128、80、82）0 add_4 [0] [0]
block_3a_conv_1（Conv2D）（无，184、40、41）212152 activation_9 [0] [0]
block_3a_iz_n（（B ，184，40，41）736 block_3a_conv_1 [0] [0]
activation_10（激活）（无，184，40，41）0 block_3a_bn_1 [0] [0]
block_3a_conv_2（Conv2D）（无，176，40，41）291632 activation_10 [0] [0]
block_3a_conv_Done（） ，176，40，41）22704 activation_9 [0] [0]
block_3a_bn_2（BatchNormalizati（None，176，40，41）704 block_3a_conv_2 [0] [0]
block_3a_bn_shortcut（BatchNorm（None，176，40，41）704 block_3a_conv_shortcut [0] [0]
add_5（Add）（None，176，40，41）0 block_3a_bn_2 [0] [0] [0] [0]
block_3a_0
activation_11（激活）（无，176、40、41）0 add_5 [0] [0]
block_3b_conv_1（Conv2D）（无，168，40，41）266280 activation_11 [0] [0]
block_3b_bn_1（BatchNormalizati（无，168，40，41）672 block_3b_conv_1 [0] [12]（
）（__ ） ，168，40，41）0 block_3b_bn_1 [0] [0]
block_3b_conv_2（Conv2D）（无，176，40，41）266288 activation_12 [0] [0]
block_3b_bn_2（BatchNormalizati（无，176，40，41）704 block_3b_conv_2 [0] [0]
N（6 176、40、41）0 block_3b_bn_2 [0] [0]
Activation_11 [0] [0]
activation_13（激活）（无，176，40，41）0 add_6 [0] [0]
block_4a_conv_1（Conv2D）（无，136，40，41）215560 activation_13 [0] [0]
block_4a_bn_1（BatchNormalizati（ 136，40，41）544 block_4a_conv_1 [0] [0]
activation_14（激活）（无，136，40，41）0 block_4a_bn_1 [0] [0]
block_4a_conv_2（Conv2D）（无，216，40，41）264600 activation_14 [0] [0]
block_4a_conv_shortcut（Conv2D）（无，216，40，41）38232 Activation_13 [0] [0]
（Normal ，216，40，41）864 block_4a_conv_2 [0] [0]
block_4a_bn_shortcut（BatchNorm（无，216，40，41）864 block_4a_conv_shortcut [0] [0]
add_7（Add）（无，216、40、41）0 block_4a_bn_2 [0] [0]
block_4a_bn_shortcut [0]
activation_15（激活）（无，216、40、41）0 add_7 [0] [0]
block_4b_conv_1（Conv2D）（无，88，40，41）171160 activation_15 [0] [0]
block_4b_bn_1（BatchNormalizati（无，88，40，41）352 block_4b_conv_1 [0] [0]
activation_16（活化）（无， 88、40、41）0 block_4b_bn_1 [0] [0]
block_4b_conv_2（Conv2D）（无，216、40、41）171288 activation_16 [0] [0]
block_4b_bn_2（BatchNormalizati（None，216，40，41）864 block_4b_conv_2 [0] [0]
add_8（Add）（无，216、40、41）0 block_4b_bn_2 [0] [0]
activation_15 [0] [0]
activation_17（激活）（无，216、40、41）0 add_8 [0] [0]
output_bbox（Conv2D）（无，8，40，41）1736 activation_17 [0] [0]
output_cov（Conv2D）（无，2，40，41）434 activation_17 [0] [0]
====== ================================================== ==========================================
总参数：2,619,442可
训练参数：2,613,890
不可训练的参数：5,552
如果数据集包含目标/截断，则不会更新目标/截断以匹配作物面积。
如果数据集包含目标/截断，则不会更新目标/截断以匹配作物面积。
如果数据集包含目标/截断，则不会更新目标/截断以匹配作物面积。
如果数据集包含目标/截断，则不会更新目标/截断以匹配作物面积。
如果数据集包含目标/截断，则不会更新目标/截断以匹配作物面积。
如果数据集包含目标/截断，则不会更新目标/截断以匹配作物面积。
如果数据集包含目标/截断，则不会更新目标/截断以匹配作物面积。
如果数据集包含目标/截断，则不会更新目标/截断以匹配作物面积。
2019-12-17 07：05：42,155 [INFO] iva.detectnet_v2.scripts.train：在训练集中找到6512个样本
Traceback（最近一次调用是最近一次）：
文件“ / usr / local / bin / tlt-train-g1” ，在
sys.exit（main（））
文件“ ./common/magnet_train.py”中的第10行，在主
文件“ </usr/local/lib/python2.7/dist-packages/ decorator.pyc：decorator-gen-2>”，主
文件“ ./detectnet_v2/utilities/timer.py”中的第2 行，wrapped_fn
文件“ ./detectnet_v2/scripts/train.py”，第632行中的第2行，在
run_experiment的主文件“ ./detectnet_v2/scripts/train.py”的第556行中
在train_gridbox中的文件“ ./detectnet_v2/scripts/train.py”，第466
行，在build_training_graph中，文件“ ./detectnet_v2/scripts/train.py”，第320行，在build_training_graph中，
文件“ ./detectnet_v2/model/detectnet_model.py”，在一行480，在build_training_graph
文件“ ./detectnet_v2/model/detectnet_model.py”中，第243
行，在projections_to_dict
文件“ ./detectnet_v2/objectives/base_objective.py”中，第97行，在reshape_output 文件中，“ / usr / local / lib / python2” .7 / dist-packages / keras / engine / base_layer.py“，第457行，位于__call__
输出= self.call（输入，** kwargs）
文件” /usr/local/lib/python2.7/dist-packages/ keras / layers / core.py”，第401行，在调用
返回K.reshape（inputs，（K.shape（inputs）[0]，）+ self。target_shape）
文件“ /usr/local/lib/python2.7/dist-packages/keras/backend/tensorflow_backend.py”，行1969，在reshape
返回中tf.reshape（x，shape）
文件“ / usr / local / lib / python2 .7 / dist-packages / tensorflow / python / ops / gen_array_ops.py“，行7179，在重塑
“ Reshape”中，张量=张量，shape = shape，名称=名称）
文件“ / usr / local / lib / python2。 7 / dist-packages / tensorflow / python / framework / op_def_library.py“，行788，在_apply_op_helper中
op_def = op_def）
文件” /usr/local/lib/python2.7/dist-packages/tensorflow/python/util/deprecation .py”，第507行，在new_func中，
返回func（* args，** kwargs）
文件“ /usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/ops.py”，第3300行，在create_op
op_def = op_def中）
init
control_input_ops中的文件“ /usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/ops.py”，第1823行）
文件“ /usr/local/lib/python2.7/dist-包/tensorflow/python/framework/ops.py”，行1662，在_create_c_op中
引发ValueError（str（e））
ValueError：无法重塑具有102400个元素的张量以成形[8,2,4,40,41]（104960元素）用于“ reshape_1_1 / Reshape”（op：“ Reshape”），输入形状为[8,8,40,40]，[5]，输入张量计算为部分形状：input [1] = [8,2 ，4,40,41]。