Python 尝试使用tensorflow.keras.models.save_model保存模型时出现问题

我有一个角色级别的CNN模型。我能够以H5格式保存，但我需要以保存的模型包格式部署模型。代码如下：

重新导入
作为pd进口熊猫
将numpy作为np导入
导入sklearn
从sklearn.naive_bayes导入多项式nb
从sklearn.linear_模型导入逻辑回归
从sklearn.metrics导入准确度、混乱度矩阵
导入tensorflow.python.keras.saving.saving_模型
#预处理
导入nltk
从nltk.tokenize导入发送\u tokenize
#造型
进口干酪
从tensorflow.keras.models导入模型，加载模型
从tensorflow.keras.layers导入稠密、输入、辍学、MaxPoolg1d、Conv1D、GlobalMapool1d、双向、展平
从tensorflow.keras.layers导入LSTM、Lambda、双向、连接、批处理规范化、嵌入
从tensorflow.keras.layers导入时间分布
从tensorflow.python.keras.optimizers导入Adam
导入tensorflow作为tf
将keras.backend作为K导入
进口伊皮顿
从IPython.display导入SVG
从tensorflow.keras.utils导入模型到
从sklearn.model\u选择导入列车\u测试\u拆分
保存路径=“保存的路径”
def get_raw_data（）：
#获取文件
df=pd.read\u csv(
“数据路径”，
sep='，'，
名称=[“原始命令”，“标签”]
)
dropna（0，子集=[“原始命令”]，inplace=True）
#标签
返回df[['label'，'raw command']]
df=获取原始数据（）
df.head（）
打印（'数据点数：%d'（len（df）））
列车测向，测试测向=列车测向分割（测向，测试测向尺寸=0.3）
课程名称：
CHAR_DICT='abcdefghijklmnopqrstuvxyzabcdefghijklmnopqrstuvxyzo123456789.！？：，\'%-\(\)/$+{}`~=_|&;[]^@#&*"'
定义初始值（self，句子的最大长度，设置的最大数量，详细=10）：
self.max_len_of_句子=80
self.max\u num\u of\u setnence=1
self.verbose=verbose
self.num\u of\u char=0
self.num\u of_标签=0
self.unknown_标签=“”
def build_char_dictionary（self，char_dict=None，unknown_label='UNK'）：
"""
定义possbile字符集。如果此集合中不存在字符，则使用“UNK”
"""
如果char_dict为None：
char\u dict=self.char\u dict
self.unknown\u label=未知\u label
字符=[]
对于字符中的c：
附加字符（c）
字符=列表（集合（字符））
字符插入（0，未知\u标签）
self.num\u of\u char=len（chars）
self.char_index=dict（（c，i）表示枚举中的i，c（chars））
self.index_char=dict（（i，c）表示枚举中的i，c（chars））
如果self.verbose>5：
打印（'字符总数：'，self.num\u/u字符）
print（'First 3 char_index sample:'，{k:self.char_index[k]表示列表中的k（self.char_index）[:3]}）
print（'First 3 index_char sample:'，{k:self.index_char[k]表示列表中的k（self.index_char）[:3]}）
返回self.char\u索引、self.index\u char、self.num\u of\u char
def convert_标签（自我、标签）：
"""
将标签转换为数字
"""
self.label2indexes=dict（（l，i）表示枚举（标签）中的i，l）
self.index2labels=dict（（i，l）表示枚举（标签）中的i，l）
如果self.verbose>5：
打印（'标签到索引：'，self.label2索引）
打印（'Index to Label:'，self.index2labels）
self.num\u of_label=len（self.label2索引）
返回self.label2索引，self.index2标签
定义转换原始数据（自身、df、x列、y列、Label2索引=无，样本大小=无）：
"""
#####将原始数据转换为列表
"""
x=[]
y=[]
实际最大句子=0
如果样本大小为“无”：
样本大小=长度（df）
对于i，df.head中的行（样本大小）.ItErrors（）：
x_数据=行[x_列]
y_数据=行[y_列]
打印（x_数据）
打印（y_数据）
句子=已发送\u标记化（x\u数据）
x、 附加（句子）
如果len（句子）>实际最大句子：
实际最大句子=len（句子）
y、 追加（Label2索引[y_数据]）
如果self.verbose>5：
打印（'新闻数量：%d'（len（x）））
打印（'实际最大句子数：%d''实际最大句子数）
返回x，y
定义转换训练数据（self、x\u raw、y\u raw、句子的最大长度=无、设置的最大长度=无）：
"""
#####将预处理的数据转换为numpy
"""
未知值=self.char\u索引[self.unknown\u标签]
x=np.one（（len（x_raw），最大设置数，最大句子长度），dtype=np.int64）*未知值
y=np.数组（y_原始）
如果句子的最大长度为无：
句子的最大长度=self.max\u len\u
如果设置的最大数量为无：
最大设置数=自。最大设置数
对于i，枚举中的doc（x_原始）：
对于j，枚举（doc）中的句子：
如果j<设置的最大数量：
对于t，枚举中的字符（句子[-max\u len\u of\u句子：]）：
如果字符不在self.char\u索引中：
x[i，j，（句子的最大长度-1-t）]=self.char索引['UNK']
其他：
x[i，j，（句子的最大长度-1-t）]=self.char\u索引[char]
返回x，y
def_build_character_block（self，block，dropout=0.3，filters=[64100]，kernel_size=[3,3]，
池大小=[2,2]，padding='valid'，activation='relu'，
内核\u初始化器='glorot\u normal'）：
对于范围内的i（len（过滤器））：
块=Conv1D(
过滤器=过滤器[i]，内核大小=内核大小[i]，
padding=padding，activation=activation，kernel\u initializer=kernel\u initializer）（块）
块=辍学（辍学）（块）
block=maxpoolg1d（池大小=po