Tensorflow 将keras模型导出为tf savedModel格式：如何修复服务\u输入\u fn

我想利用谷歌的人工智能平台来部署我的keras模型，它要求模型采用tensorflow SavedModel格式。我将keras模型保存为tensorflow估计模型，然后导出该估计模型。我在定义我的

服务\u输入\u接收器\u fn时遇到问题

以下是我的模型的摘要：

Model:“Model_49”
_________________________________________________________________
图层（类型）输出形状参数#
=================================================================
输入_49（输入层）[（无、400、254）]0
_________________________________________________________________
gru_121（gru）（无、400、64）61248
_________________________________________________________________
gru_122（gru）（无，64）24768
_________________________________________________________________
辍学（辍学）（无，64）0
_________________________________________________________________
1M（密实）（无，1）65
=================================================================
总参数：86081
可培训参数：86081
不可训练参数：0
_________________________________________________________________

下面是我遇到的错误：

KeyError: "The dictionary passed into features does not have the expected 
inputs keys defined in the keras model.\n\tExpected keys: 
{'input_49'}\n\tfeatures keys: {'col1','col2', ..., 'col254'}

下面是我的代码

def服务于输入接收器（）
功能\u占位符={
column.name:tf.placeholder（tf.float64，[None]），用于输入列中的列
}
#功能\u占位符={
#'input_49'：tf.placeholder（tf.float64，[None]）
# }
特征={
键：tf.expand_dims（张量，-1）
对于键，特征_占位符中的张量。items（）
}
返回tf.estimator.export.ServingInputReceiver（特征，特征占位符）
def run（）：
h5_model_file='../models/model2.h5'
json_model_file='../models/model2.json'
model=get_keras_model（h5_model_文件、json_model_文件）
打印（model.summary（））
估计器模型=tf.keras.estimator.model\u to\u估计器（keras\u模型=模型，model\u dir='estimator\u模型'）
导出路径=估计器模型。导出保存的模型（“导出”，
服务\输入\接收器\ fn=服务\输入\接收器\ fn）

似乎我的模型需要一个单一的特征键：
input\u 49
（我的神经网络的第一层），然而，例如，从
服务接收器输入fn
将所有特征的dict输入到我的模型中

我如何解决这个问题

我正在使用tensorflow==2.0.0-beta1。
我已经设法保存了一个Keras模型，并使用对象的TF服务托管它。我不确定这是否可以很容易地推广到您的应用程序中，但下面是对我有效的方法，尽我所能使其通用化

#设置保存模型的路径。
export_base_path=os.path.abspath（'models/versions/'））
型号_版本='1'
export\u path=os.path.join（tf.compat.as\u字节（export\u base\u path），
tf.compat.as_字节（型号版本））
#制作模型生成器。
builder=tf.saved\u model.builder.SavedModelBuilder（导出路径）
#定义TensorInfo协议缓冲区对象，用于封装
#输入/输出张量。
#注意：您可以有一个model.input图层列表，也可以只有一个model.input图层
#没有任何索引。我展示了一个输入列表和一个输出层。
#输入张量信息。
tensor\u info\u input0=tf.saved\u model.utils.build\u tensor\u info（model.input[0]）
tensor\u info\u input1=tf.saved\u model.utils.build\u tensor\u info（model.input[1]）
#输出张量信息。
tensor\u info\u output=tf.saved\u model.utils.build\u tensor\u info（model.output）
#定义TF Predict API使用的调用签名。记下名字
#此处的字符串应与模型定义中所调用的层相匹配。
#我可能不得不使用它，因为我忘了它是name参数，还是
#代码中的实际对象句柄。
预测\u签名=(
tf.saved_model.signature_def_utils.build_signature_def(
输入={'input0'：张量信息输入0，'input1'：张量信息输入1}，
输出={'prediction'：张量信息输出}，
方法\名称=tf.保存的\模型.签名\常数.预测\方法\名称）
#现在，我们构建SavedModel协议缓冲区对象，然后保存它。
添加元图和变量（SES，
[tf.saved_model.tag_constants.service]，
签名\定义\映射={'predict'：预测\签名}）
builder.save（as_text=True）

我会努力找到那些让我来到这里的推荐人，但当时我没有记下来。找到链接后，我将使用链接进行更新。
我最终更改了以下内容：

feature_placeholders = {
    column.name: tf.placeholder(tf.float64, [None]) for column in INPUT_COLUMNS
}

为此：

   feature_placeholders = {
    'input_49': tf.placeholder(tf.float32, (254, None), name='input_49')
}

我可以用保存的_model.pb获取一个文件夹
 谢谢，我想我会试试这个。AI平台目前支持TF1.14。它还不支持TF beta 2.0。它将支持TF2.0，当它成为GA。