Python tf.transform：向Keras模型添加预处理？

我有一个

keras

模型，用于使用

tensorflow

后端进行文本分类。它当前假定输入是整数的numpy数组

我想修改这个，这样我就可以在原始文本上进行训练和预测。根据我收集的信息，这涉及到使用

tf.transform

将字符串张量转换为整数张量

我使用

tf.transform

完成了这项工作，但现在不确定如何将此预处理步骤作为第一层/步骤添加到我的模型中。为了清楚起见，我的输入数据如下所示：

[{“回顾”：“电影很棒”}，
{“评论”：“糟糕的电影”}]

输出为：

[{“review_out”：数组（[-1，-1,1,0,2]），
{“review_out”：数组（[-1，-1，-1,3,4]）]

执行此操作的函数称为

preprocess

。因此，我只想将运行

preprocess

作为DAG的第一步

我该怎么做

---

作为参考，这很重要，因为我想在ML引擎上进行实时预测。

如果使用

tf.data.Dataset（）

，则存在一个

tf.data.Dataset（）.map（map_func）

函数，该函数允许您将

map_func

应用于数据集的所有元素。这可以用于添加预处理步骤

例如：

dataset=tf.data.dataset.from_tensor_切片（（x，y））

dataset=dataset.map（预处理）

model.fit（数据集…）

---

使用

tf.data.Dataset（）

也比使用numpy数组有其他优势。

谢谢！我正在使用

tf.data.Dataset（）

，但我需要将预处理作为基础Tensorflow DAG的第一步。有什么想法吗？请注意，如果预处理不是学习的一部分和/或很繁重，您应该单独进行，以避免出现瓶颈。@THN但我如何确保在ML引擎上进行相同的预处理。目标是能够发送ML引擎原始文本如果是在线学习实时流数据，则只需在学习时执行。在这种情况下，您应该使用异步并行处理来补救效果。这称为“预处理”“处理是有原因的。@谢谢您的帮助。那么，按照JordanPatterson的建议执行预处理，然后更新

服务以使用此预处理的标准方法是什么？