Python 如何将在自定义循环子类tf.keras.model中训练的对象转换为tflite？

我在将自定义循环中经过训练的子类模型（

tf.keras.model

）转换为TFLite时遇到问题

假设我们有一个小型CNN体系结构，它使用输入数据（

x

）和依赖于批大小和其他DIM的附加信息（

add_info

）：

class ContextExtractor（tf.keras.Model）：
定义初始化（自）：
super（）。\uuuu init\uuuuu（）
self.model=self.\u get\u model（）
def呼叫（self，x，training=False，**kwargs）：
b、 h，w，c=x形状
add_info=tf.zero（（b，h，w，c），dtype=tf.float32）
features=self.model（tf.concat（[x，add_info]，axis=-1），training=training）
返回特性
def__获取_模型（自）：
返回自我。uuuu获得小的uCNN（）
def_uu_uget_small_cnn（self）：
model=tf.keras.Sequential（）
add（layers.Conv2D（32，（3，3），跨步=（2，2），padding='same'））
添加模型（layers.LeakyReLU（alpha=0.2））
add（layers.Conv2D（32，（3，3），跨步=（2，2），padding='same'））
添加模型（layers.LeakyReLU（alpha=0.2））
add（layers.Conv2D（64，（3，3），跨步=（2，2），padding='same'））
添加模型（layers.LeakyReLU（alpha=0.2））
add（layers.Conv2D（128，（3，3），跨步=（2，2），padding='same'））
添加模型（layers.LeakyReLU（alpha=0.2））
add（layers.Conv2D（256，（3，3），跨步=（2，2），padding='same'））
添加模型（layers.LeakyReLU（alpha=0.2））
添加（layers.globalaveragepoolig2d（））
回归模型

我在自定义循环模式下训练它（使用

tf.GradientTape

）。这意味着我并没有编译模型，我只是按原样使用它

现在我想将其转换为SavedModel格式，因为我想在TFLite中移植我的模型。但当我运行类似于：

tf.saved\u model.save（model，路径到文件）

我得到了如下警告：

跳过Keras模型的完全序列化，因为它的输入没有定义。

当然，我得到的

.pb

文件非常小，里面什么都没有

有人能提供如何将子类模型转换为SavedModel的完整解释吗？或者我可以不使用它将我的模型转换为TFLite