Python Tensorflow给出的预测与Keras不同

我有一个在Keras中使用1.10 Tensorflow后端训练的模型，我想使用Tensorflow 2.4进行推断

我将.h5模型转换为SavedModel格式：

将tensorflow导入为tf
从tensorflow.keras.models导入负载_模型
从tensorflow.python.saved_模型导入生成器
从tensorflow.python.saved_model.signature_def_utils导入predict_signature_def
从tensorflow.python.saved_model导入标记_常量
def导出_h5_至_pb（路径_至_h5，导出路径）：
如果tf.急切地执行_（）：
tf.compat.v1.disable_eager_execution（）
加载模型=加载模型（路径到路径h5）
b=builder.SavedModelBuilder（导出路径）
signature=predict\u signature\u def（输入={“输入”：加载的\u model.input}，
outputs={“score”：加载的_model.output}）
session=tf.compat.v1.session（）
init_op=tf.compat.v1.global_variables_initializer（）
session.run（初始化操作）
b、 添加元图和变量(
sess=session，tags=[tag_constants.SERVING]，signature_def_map={“SERVING_default”：signature}）
b、 保存（）
将h5输出到pb（‘/经过培训的网络公司VGG3公司h5’，‘/输出/伺服/1’）

Tensorflow预测给了我：

将tensorflow导入为tf
imported=tf.saved_model.load（'./export/Servo/1'，tags='serve'）
f=已导入。签名[“提供默认值”]
f（输入=tf常数（测试有效载荷））
>{'score'：}

而原始（正确的）Keras预测给出：

从keras.models导入负载模型
模型=负载模型（'./经过培训的网络VGG3公司h5'）
模型预测（测试单元有效载荷）
>数组（[[1.0000000e+00,3.0078113e-09,2.014587e-10,5.7580127e-09,1.9100479e-09,4.1776910e-10]]，数据类型=float32）

---

我做错了什么？

我有一个非常类似的问题，您已经回答了，我将与您分享对我有效的方法。如果您是为Sagemaker/AWS这样做的（通过文件目录路径和使用单词“payload”，我认为您是？），那么问题是由TensorFlow版本中的差异引起的

---

在我发现的所有博客中（例如），当使用TensorflowModel加载模型时，他们都使用framework_版本1.12。因此，我在Sagemaker Jupyter实例中将TensorFlow重新安装到版本1.12，使用1.12重新训练我的模型，并将framework_版本更改为1.12，这对我来说很有效。如果您不使用AWS的模型，那么这可能不适用，但如果您使用AWS，那么这是一个潜在的解决方案。祝你好运

我设法通过使用新的TF版本进行再培训来解决这个问题。之后，SavedModel按预期工作。这不是我所希望的解决方案，但至少它现在起作用了。