Python 如何使用保存的tensorflow模型加载和预测？

我正在从以下回购协议运行一个相当定制的tensorflow模型：

#初始化会话
sess=tf.Session（）
##从数据帧中的目录加载所有文件。
#def加载目录数据（目录）：
#数据={}
#数据[“句子”]=[]
#数据[“情绪”]=[]
#对于os.listdir（目录）中的文件路径：
#使用tf.gfile.gfile（os.path.join（目录，文件路径），“r”）作为f:
#数据[“句子”]。追加（f.read（））
#数据[“情绪”].append（重新匹配（“\d+\d+\.txt”，文件路径）.group（1））
#从目录（数据）返回pd.DataFrame
##合并正面和负面示例，添加极性列并混洗。
#def load_数据集（目录）：
#pos\u df=加载目录数据（os.path.join（目录，“pos”））
#neg_df=load_目录_数据（os.path.join（目录，“neg”））
#pos_df[“极性”]=1
#负向df[“极性”]=0
#返回pd.concat（[pos_df，neg_df]）样本（frac=1）。重置索引（drop=True）
##下载并处理数据集文件。
#def下载和加载数据集（强制下载=错误）：
#dataset=tf.keras.utils.get\u文件(
#fname=“aclImdb.tar.gz”，
#原点=”http://ai.stanford.edu/~amaas/data/emotional/aclImdb_v1.tar.gz“，
#摘录=真，
#     )
#train\u df=load\u数据集（os.path.join（os.path.dirname（数据集），“aclImdb”，“train”））
#test\u df=load\u数据集（os.path.join（os.path.dirname（数据集），“aclImdb”，“test”））
#返回列车_-df，测试_-df
类PaddingInputExample（对象）：
“”“伪示例，因此num输入示例是批大小的倍数。
在TPU上运行eval/predict时，我们需要填充示例的数量
是批次大小的倍数，因为TPU需要固定批次
另一种选择是放弃最后一批，这是不好的，因为这意味着
不会生成整个输出数据。
我们使用这个类而不是'None'，因为将'None'视为填充
战斗可能会导致无声的错误。
"""
类InputExample（对象）：
“”“简单序列分类的单个培训/测试示例。”“”
def_uuuinit_uuuu（self，guid，text_a，text_b=None，label=None）：
“”“构造一个InputExample。
Args：
guid：示例的唯一id。
text_a:string。第一个序列的未排序文本。对于单个
序列任务，仅必须指定此序列。
text_b：（可选）字符串。第二个序列的未排序文本。
仅必须为序列对任务指定。
标签：（可选）字符串。示例的标签。这应该是
指定用于列车和开发示例，但不用于测试示例。
"""
self.guid=guid
self.text\u a=text\u a
self.text\u b=文本
self.label=标签
def从_中心_模块（bert_路径）创建_标记器_：
“”“从集线器模块获取vocab文件和大小写信息。”“”
bert_模块=hub.module（bert_路径）
标记化\u info=bert\u模块（signature=“标记化\u info”，as\u dict=True）
vocab_文件，do_lower_case=sess.run(
[tokenization_info[“vocab_文件”]、tokenization_info[“do_小写”]]
)
返回FullTokenizer（vocab_文件=vocab_文件，do_小写=do_小写）
def convert_single_示例（标记器，示例，最大长度=256）：
“”“将单个`InputExample`转换为单个`InputFeatures`.”“”
如果isinstance（例如，PaddingInputExample）：
输入标识=[0]*最大顺序长度
输入掩码=[0]*最大顺序长度
段ID=[0]*最大顺序长度
标签=0
返回输入标识、输入掩码、段标识、标签
tokens\u a=tokenizer.tokenize（例如.text\u a）
如果len（令牌a）>max_seq_length-2：
令牌\u a=令牌\u a[0:（最大长度-2）]
代币=[]
段_id=[]
标记。追加（“[CLS]”）
段ID.append（0）
对于令牌a中的令牌：
tokens.append（标记）
段ID.append（0）
标记。附加（“[SEP]”）
段ID.append（0）
输入\u id=tokenizer。将\u令牌\u转换为\u id（令牌）
#掩码有1表示实令牌，0表示填充令牌。只有真实的
#代币被处理。
输入\u掩码=[1]*len（输入\u ID）
#零填充到序列长度。
而len（输入ID）load_model(...., custom_objects={'BertLayer':BertLayer})