小编Ete*_*rac的帖子

我正在尝试保存一个 TensorFlow 模型，其中包括一些标签的后期处理。

给定一些分类标签，我有兴趣训练一个模型（例如， a tf.keras.Sequential），其中我以前对标签应用了 One-hot 编码。这是模型的样子：

model = tf.keras.Sequential([
    tf.keras.layers.DenseFeatures(transform_features),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1)
])

model.compile(loss='categorical_crossentropy',optimizer='adam')

history = model.fit(train_data, epochs=5)

其中transform_features是 的列表tf.feature_columns，train_data是tf.data.Dataset包含训练数据的(train_X,train_y)。

一旦训练了模型，我想应用一些后期处理。我想将这个后处理添加到一个新的（或相同的）TensorFlow 模型中，这样当我要求对这个模型进行预测时（例如在 BigQuery 中使用导入的 TensorFlow 模型进行预测），它会给我解码的最终标签。

我正在考虑制作第一个模型，如之前所示，训练后，向模型添加以下层：

from tf.keras.layers import Lambda
model.add(Lambda(lambda x: tf.argmax(x, axis=-1)))

但我不知道如何“合并”这两个不同的模型并将它们保存为相同的 TensorFlow SavedModel 格式（使用tf.saved_model.save(model, MODEL_PATH)）。有没有什么方法可以让一个云在 Tensorflow 中进行这种后处理？

谢谢