Python 在tf中部署Keras模型，提供NAN输出

我构建了一个Keras分类器，它接收图像（224224,3）和文本编码（5000），并给出一个输出。当使用keras的预测函数时，该模型运行良好。 我使用

tf.saved_model.simple_save(
    sess,
    export_path,
    inputs={'input_image': model.input[0],'input_text': model.input[1]},
    outputs={t.name:t for t in model.outputs})

当我使用Rest API运行它时，它返回：

{u'predictions': [[nan, nan]]}

我发送数据的方式是：

img = cv2.imread(image_path)

#rescale image
img = cv2.resize(img, (scale_size[0], scale_size[1]))
img = img.astype(np.float32)

img = img.astype('float32')
#subtract mean
img -= mean
text = np.load(text_path)

text = text.astype(np.float32)

payload = {
 "signature_name":signature_constants.CLASSIFY_METHOD_NAME,
 "instances": [
   {
     "input_image": img.tolist(),
     "input_text": text.tolist()
   }
 ]
}


# sending post request to TensorFlow Serving server
r = json.dumps(payload)
results = requests.post('http://localhost:9000/v1/models/<model-name>:predict', data=r)
pred = json.loads(results.content.decode('utf-8'))
print(pred)

img=cv2.imread（图像路径）
#重缩放图像
img=cv2.调整大小（img，（缩放大小[0]，缩放大小[1]））
img=img.astype（np.float32）
img=img.astype（'float32'）
#减去平均数
img-=平均值
text=np.load（文本路径）
text=text.astype（np.float32）
有效载荷={
“签名\名称”：签名\常数。分类\方法\名称，
“实例”：[
{
“输入图像”：img.tolist（），
“输入文本”：text.tolist（）
}
]
}
#向TensorFlow服务服务器发送post请求
r=json.dumps（有效负载）
结果=请求。发布（'http://localhost:9000/v1/models/:predict，数据=r）
pred=json.load（results.content.decode（'utf-8'））
打印（pred）

为什么不使用model.save（filepath）来保存模型？您是否在url中指定了正确的模型名称？@sdcbr yes它给出的输出数与我的模型训练的输出数完全相同。