保存预处理Tensorflow变换函数

目前，我们有一个模型，将用于使用Tensorflow服务的API。因此，我们需要将当前的API输入数据转换为特性。由于模型的创建和模型的使用是在两个不同的repo中执行的，我不希望在两个不同的repo中进行转换（使两个repo的转换保持相同），因此我阅读了Tensorflow Transform，以便能够使用1个函数来处理训练数据和服务数据。然而，我发现很难理解它在生产中是如何工作的。保存模型时，是否可以包括保存预处理功能？或者我在哪里可以“托管”这个预处理功能

---

所以说得很清楚，我有一个预处理训练数据的模型。我想对服务数据使用相同的函数。

在TensorFlow服务中运行的任何东西都只是一个TensorFlow图，无论是模型本身还是预处理步骤。要将这两个图形折叠在一起，只需将预处理步骤的输出替换为模型的输入，从而连接这两个图形，假设这是兼容的

例如，假设您的模型非常简单，它接受任意长度的输入并计算其L2范数：

input = tf.placeholder(tf.float32, [None])
norm = tf.norm(input, ord=2)

然后我们有一个数据准备功能，我们想应用它，在计算L2范数之前，将原始输入增加一倍，将其添加到自身中：

input = tf.placeholder(tf.float32, [None])
doubled = tf.add(input, input)

您可以在一个TensorFlow服务部署中进行预处理和“预测”（如本玩具示例中所示），方法如下：

input = tf.placeholder(tf.float32, [None])
doubled = tf.add(input, input)
norm = tf.norm(input, ord=2)

这不是特别有用，而且可能比你正在做的事情简单得多。希望它能让人明白这个想法