Tensorflow 如何创建自定义pyfunc以使用需要使用MLflow的二维以上输入形状的模型进行预测？

我是TensorFlow和MLFlow的新手，我有一个类似于中所问的问题。我正在实现一个TensorFlow模型来预测时间序列值。出于这个目的，我使用MLFlow的MLFlow.tensorflow.autolog（）来跟踪和服务实例中的模型。然而，由于我的输入形状有两个以上的维度，我无法使用该方法

如前所述，我尝试使用自定义pyfunc对预测中的输入数据进行编码/解码

这样，我就有了一个函数模型_test.py，它带有一个预测方法，可以解码其输入数据，即：

导入系统 导入操作系统 导入json 导入mlflow 将numpy作为np导入 作为pd进口熊猫 从mlflow.pyfunc导入PythonModel 导入tensorflow作为tf 导入base64 类模型测试（PythonModel）： 定义初始化（self，估计器=None，窗口大小=64，批大小=256，随机缓冲大小=100）： #创建实验的代码 self.window\u size=window\u size self.batch\u size=批次大小 self.shuffle\u buffer\u size=shuffle\u buffer\u size def窗口化数据集（自身、系列、窗口大小、批量大小、随机缓冲区）： 系列=tf。展开尺寸（系列，轴=-1） ds=tf.data.Dataset.from_tensor_切片（系列） ds=ds.window（window\u size+1，shift=1，drop\u余数=True） ds=ds.平面图（λw:w.批次（窗口大小+1）） ds=ds.shuffle（shuffle\u缓冲区） ds=ds.map（lambdaw:（w[：-1]，w[1:]）） self.windowed\u ds=ds.batch（批大小）。预取（1） 回归自我 def序列（自身，序列设置，y=无，历元数=500）： 模型=tf.keras.models.Sequential([ tf.keras.layers.Conv1D（过滤器=60，内核大小=5， 步幅=1，padding=“因果”， 激活=“relu”， 输入_shape=[None，1]）， tf.keras.layers.LSTM（60，返回序列=真）， tf.keras.layers.Dense（10，activation=“relu”）， tf.keras.致密层（1）， tf.keras.layers.Lambda（Lambda x:x*400） ]) 优化器=tf.keras.optimizers.SGD（lr=1e-6，动量=0.9） compile（loss=tf.keras.loss.Huber（），optimizer=optimizer，metrics=[“mae”]） 模型拟合（x=列车组，y=y，历次=5） self.modelo=model 回归自我 def预测（自身，系列编码）： #解码到达方法的数据 def解码（x）： 返回pd.Series（np.frombuffer（base64.B64解码（x））） 序列解码=解码（序列编码） #预处理数据 系列=np。展开尺寸（系列解码，轴=1） ds=tf.data.Dataset.from_tensor_切片（系列） #用可变窗口大小替换数字 ds=ds.window（60，shift=1，drop\u余数=True） #用可变窗口大小替换数字 ds=ds.平面图（λw:w.批次（60）） ds=ds.批处理（32）.预取（1） #预测 预测=自建模预测（ds） 回报预测 以及用于训练和保存模型的run.py文件：

导入操作系统
导入mlflow.pyfunc
将ModelTest导入为model\u测试
导入系统
导入json
导入mlflow
将numpy作为np导入
从pymongo导入MongoClient
作为pd进口熊猫
将matplotlib.pyplot作为plt导入
导入tensorflow作为tf
将预处理作为预处理导入
#@单击（…）#根据MLproject文件定义单击选项
def run（）：
#从MongoDB加载时间序列数据并对其进行预处理的代码
窗口大小=64
批量大小=256
洗牌缓冲区大小=100
拆分时间=400
系列=np.阵列（数据测向['传感器]）
时间=np.数组（数据_df['time']）
时间列车=时间[：分割时间]
x_列=系列[：分割时间]
时间有效=时间[分割时间：]
x_有效=系列[分割时间：]
modelo=modelo_tercero.ModelTest（）
模型加窗数据集（x列、窗口大小、批量大小、随机缓冲大小）
使用mlflow.start_run（）作为运行：
model=modelo.train（modelo.windowed\u ds）
model\u path=os.path.join（'models'，run.info.run\u id）
#保存模型
mlflow.pyfunc.save_模型(
路径=模型路径，
python_model=modelo.train（modelo.windowed_ds），
code_path=['modelsthird.py']，
康达环境酒店={
“通道”：[“默认值”，“conda forge”]，
“依赖项”：[
‘mlflow=1.6.0’，
‘numpy=1.18.1’，
‘tensorflow=2.1.0’，
“熊猫=0.25.3”，
'python=3.7.6'，
'cloudpickle==0.5.8'
],
“名称”：“mlflow env”
}
)
如果名称=“\uuuuu main\uuuuuuuu”：
运行（）

当我执行run.py时，在保存模型时会出现下一个错误：

 Traceback (most recent call last):

File "run.py", line 116, in <module>
    run()
  File "run.py", line 110, in run
    'name': 'mlflow-env'
  File "/opt/conda/lib/python3.7/site-packages/mlflow/pyfunc/__init__.py", line 596, in save_model
    code_paths=code_path, mlflow_model=mlflow_model)
  File "/opt/conda/lib/python3.7/site-packages/mlflow/pyfunc/model.py", line 141, in _save_model_with_class_artifacts_params
    cloudpickle.dump(python_model, out)
  File "/opt/conda/lib/python3.7/site-packages/cloudpickle/cloudpickle.py", line 1109, in dump
    CloudPickler(file, protocol=protocol).dump(obj)
  File "/opt/conda/lib/python3.7/site-packages/cloudpickle/cloudpickle.py", line 482, in dump
    return Pickler.dump(self, obj)
  File "/opt/conda/lib/python3.7/pickle.py", line 437, in dump
    self.save(obj)
  File "/opt/conda/lib/python3.7/pickle.py", line 549, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/conda/lib/python3.7/pickle.py", line 662, in save_reduce
    save(state)
  File "/opt/conda/lib/python3.7/pickle.py", line 504, in save
    f(self, obj) # Call unbound method with explicit self
  File "/opt/conda/lib/python3.7/pickle.py", line 859, in save_dict
    self._batch_setitems(obj.items())
  File "/opt/conda/lib/python3.7/pickle.py", line 885, in _batch_setitems
    save(v)
  File "/opt/conda/lib/python3.7/pickle.py", line 549, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/conda/lib/python3.7/pickle.py", line 662, in save_reduce
    save(state)
  File "/opt/conda/lib/python3.7/pickle.py", line 504, in save
    f(self, obj) # Call unbound method with explicit self
  File "/opt/conda/lib/python3.7/pickle.py", line 859, in save_dict
    self._batch_setitems(obj.items())
  File "/opt/conda/lib/python3.7/pickle.py", line 885, in _batch_setitems
    save(v)
  File "/opt/conda/lib/python3.7/pickle.py", line 549, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/conda/lib/python3.7/pickle.py", line 662, in save_reduce
    save(state)
  File "/opt/conda/lib/python3.7/pickle.py", line 504, in save
    f(self, obj) # Call unbound method with explicit self
  File "/opt/conda/lib/python3.7/pickle.py", line 859, in save_dict
    self._batch_setitems(obj.items())
  File "/opt/conda/lib/python3.7/pickle.py", line 885, in _batch_setitems
    save(v)
  File "/opt/conda/lib/python3.7/pickle.py", line 549, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/conda/lib/python3.7/pickle.py", line 662, in save_reduce
    save(state)
  File "/opt/conda/lib/python3.7/pickle.py", line 504, in save
    f(self, obj) # Call unbound method with explicit self
  File "/opt/conda/lib/python3.7/pickle.py", line 859, in save_dict
    self._batch_setitems(obj.items())
  File "/opt/conda/lib/python3.7/pickle.py", line 885, in _batch_setitems
    save(v)
  File "/opt/conda/lib/python3.7/pickle.py", line 549, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/conda/lib/python3.7/pickle.py", line 662, in save_reduce
    save(state)
  File "/opt/conda/lib/python3.7/pickle.py", line 504, in save
    f(self, obj) # Call unbound method with explicit self
  File "/opt/conda/lib/python3.7/pickle.py", line 859, in save_dict
    self._batch_setitems(obj.items())
  File "/opt/conda/lib/python3.7/pickle.py", line 885, in _batch_setitems
    save(v)
  File "/opt/conda/lib/python3.7/pickle.py", line 549, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/conda/lib/python3.7/pickle.py", line 662, in save_reduce
    save(state)
  File "/opt/conda/lib/python3.7/pickle.py", line 504, in save
    f(self, obj) # Call unbound method with explicit self
  File "/opt/conda/lib/python3.7/pickle.py", line 859, in save_dict
    self._batch_setitems(obj.items())
  File "/opt/conda/lib/python3.7/pickle.py", line 885, in _batch_setitems
    save(v)
  File "/opt/conda/lib/python3.7/pickle.py", line 549, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/conda/lib/python3.7/pickle.py", line 662, in save_reduce
    save(state)
  File "/opt/conda/lib/python3.7/pickle.py", line 504, in save
    f(self, obj) # Call unbound method with explicit self
  File "/opt/conda/lib/python3.7/pickle.py", line 859, in save_dict
    self._batch_setitems(obj.items())
  File "/opt/conda/lib/python3.7/pickle.py", line 885, in _batch_setitems
    save(v)
  File "/opt/conda/lib/python3.7/pickle.py", line 549, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/conda/lib/python3.7/pickle.py", line 662, in save_reduce
    save(state)
  File "/opt/conda/lib/python3.7/pickle.py", line 504, in save
    f(self, obj) # Call unbound method with explicit self
  File "/opt/conda/lib/python3.7/pickle.py", line 859, in save_dict
    self._batch_setitems(obj.items())
  File "/opt/conda/lib/python3.7/pickle.py", line 885, in _batch_setitems
    save(v)
  File "/opt/conda/lib/python3.7/pickle.py", line 524, in save
    rv = reduce(self.proto)
  File "/opt/conda/lib/python3.7/site-packages/tensorflow_core/python/framework/ops.py", line 873, in __reduce__
    return convert_to_tensor, (self._numpy(),)
  File "/opt/conda/lib/python3.7/site-packages/tensorflow_core/python/framework/ops.py", line 910, in _numpy
    six.raise_from(core._status_to_exception(e.code, e.message), None)
  File "<string>", line 3, in raise_from

回溯（最近一次呼叫最后一次）：
文件“run.py”，第116行，在
运行（）
文件“run.py”，第110行，在run中
“名称”：“mlflow env”
文件“/opt/conda/lib/python3.7/site packages/mlflow/pyfunc/_init__.py”，第596行，在save_模型中
代码路径=代码路径，mlflow模型=mlflow模型）
文件“/opt/conda/lib/python3.7/site packages/mlflow/pyfunc/model.py”，第141行，在带有类工件参数的模型中保存
dump（python_模型，out）
文件“/opt/conda/lib/python3.7/site packages/cloudpickle/cloudpickle.py”，第1109行，位于转储中
CloudPickler（文件，协议=协议）.dump（obj）
文件“/opt/conda/lib/python3.7/site packages/cloudpickle/cloudpickle.py”，第482行，在转储文件中
返回Pickler.dump（自、obj）
文件“/opt/conda/lib/python3.7/pickle.py”，第437行，在转储中
自我保存（obj）
文件“/opt/conda/lib/python3.7/pickle.py”，第549行，保存
自我保存（obj=obj，*rv）
文件“/opt/conda