Python 什么'；不同类型的张量流符号函数的目的是什么？

Predict SignatureDef似乎包含了分类和回归SignatureDefs的所有功能。什么时候使用分类或回归SignatureDefs而不仅仅是对所有事物使用预测会有好处？我们希望在生产环境中降低复杂性，如果有可能在所有情况下都使用Predict SignatureDefs，这似乎是一个好主意。

从我在文档（）中看到的内容来看，“Classify”和“Regression”SigDefs试图为简单情况强制提供一个简单一致的接口（分类和回归），分别为“输入”->“类+分数”和“输入”->“输出”。似乎还有一个额外的好处，“分类”和“回归”SIGDEF不需要将服务函数构造为模型导出函数的一部分

同样从文档来看，Predict SigDef似乎允许更通用的接口，其优点是能够交换输入和输出模型。从文档来看：

Predict SignatureDefs支持跨模型的可移植性 您可以在不同的SavedModel中交换，可能使用不同的 基本的张量名称（例如，您可能有一个新的 使用张量z:0）的替代模型，而您的客户可以保持在线 连续查询此模型的旧版本和新版本，无需 客户端更改

Predict SignatureDefs还允许您添加可选的附加属性 输出的张量，可以显式地查询 除了下面的输出键之外，您还希望 获取池层以用于调试或其他目的

---

然而除了不必导出服务函数的小好处之外，文档没有解释为什么不将Predict SigDef用于所有内容，因为它似乎是一个具有大量优势的超集。我希望看到关于这一点的明确答案，以及专用函数的好处（分类、回归）看起来很小。

到目前为止，我看到的差异是

1） 如果在DNNClassifier模型中使用tf.feature\u column.indicator\u列包装tf.feature\u column.categorical\u column\u和(词汇表)*，当您查询时，我遇到了预测API的问题，有时无法根据词汇表文件/列表解析/映射字符串输入。另一方面，分类API将字符串正确地映射到词汇表上的索引（categorical_列），然后映射到一个hot/多个hot（indicator_列），并为查询提供（似乎是）正确的分类响应

2） 分类API的响应格式为[[class，score]，[class，score]，…]，预测API的响应格式为[class[]，score[]。如果以后需要以某种方式解析数据，则最好使用其中一种方法

TLDR；由于指示符列包装在带有词汇表的分类列中，我在使用Predict API时遇到了词汇表映射问题。因此，使用分类API