保存和读取自定义Tensorflow模型

我正在使用tensorflow 2.3生成一个自定义编码器/解码器网络。我可以生成、培训和评估网络；但是，当我尝试将其保存到文件并随后加载它时，会根据我是否在急切执行模式下运行而出现不同的错误：

如果没有急切模式，代码运行良好并显示结果。但是，会显示一条警告：

tensorflow/core/common_runtime/graph_constructor.cc:808]节点“max_pool_layer_with_index/PartitionedCall”有2个输出，但 _“输出形状”属性为4个输出指定形状。输出形状可能不准确

我不明白4的输出从哪里来。我的图层定义有问题吗

在急切执行模式下，当我尝试使用经过训练的模型进行预测时，tensorflow返回一个错误：

找不到要从SavedModel加载的调用的匹配函数。获取：位置参数（共1个）： tf.Tensor（…，shape=（1，256，256，1），dtype=float32）关键字 参数：{'training'：False}期望这些参数与一个匹配 以下2个选项中的一个：选项1：位置参数（2 总数）： *TensorSpec（shape=（None，256，256，1），dtype=tf.float32，name='input_1'） *False关键字参数：{}选项2：位置参数（共2个）： *TensorSpec（shape=（None，256，256，1），dtype=tf.float32，name='input_1'） *True关键字参数：{}

我试图生成一个最小的示例来重现该问题：

将tensorflow导入为tf
从tensorflow.python.framework导入tensor_形状
从tensorflow进口keras
从tensorflow.python.keras导入后端
从tensorflow.python.keras.engine.base_层导入层
从tensorflow.python.keras.engine.input\u spec导入InputSpec
从tensorflow.python.keras.utils导入conv_utils
将matplotlib.pyplot作为plt导入
类MaxPoolLayerWithindicates（层）：
def uuu init uuuu（self，in_shape，pool_size=（2,2），步长=无，padding='valid'，
数据（格式=无，名称=无，**kwargs）：
super（MaxPoolLayerWithIndices，self）。\uuuuu init\uuuuu（name=name，trainable=False，**kwargs）
如果数据格式为“无”：
数据\格式=后端。图像\数据\格式（）
如果“跨步数”为“无”：
步幅=池大小
self.pool\u size=conv\u utils.normalize\u元组（pool\u size，2，“pool\u size”）
self.strips=conv_utils.normalize_元组（strips，2，“strips”）
self.padding=conv_utils.normalize_padding（padding）
self.data\u format=conv\u utils.normalize\u data\u format（数据格式）
self.input\u spec=InputSpec（ndim=4）
#self.in_shape=in_shape
@功能
def呼叫（自我，输入）：
如果self.data\u format=='channels\u last'：
池_形状=（1，）+self.pool_大小+（1，）
步幅=（1，）+自我。步幅+（1，）
其他：
池_形状=（1，1）+self.pool_大小
步幅=（1，1）+自我步幅
res=tf.nn.max\u pool\u带argmax(
输入，ksize=池形，步长=步长，
padding=self.padding.upper（），output\u dtype=tf.int64，
data\u format=conv\u utils.convert\u data\u format（self.data\u format，4））
返回res
def计算输出形状（自身、输入形状）：
input_shape=tensor_shape.TensorShape（input_shape）.as_list（）
如果self.data\u format==“channels\u first”：
行=输入_形[2]
cols=输入_形状[3]
其他：
行=输入_形[1]
cols=输入_形状[2]
rows=conv_utils.conv_output_length（行，self.pool_size[0]，
self.padding，self.strips[0]）
cols=conv_utils.conv_output_length（cols，self.pool_size[1]，
自我填充，自我跨步[1]）
如果self.data\u format==“channels\u first”：
形状=张量(
[输入形状[0]，输入形状[1]，行，列]）
其他：
形状=张量(
[输入_形[0]，行，列，输入_形[3]）
返回[形状，形状]
def get_配置（自身）：
配置={
“池大小”：self.pool\u size，
“padding”：self.padding，
“跨步”：自我跨步，
“数据格式”：self.data\u格式
}
base_config=super（MaxPoolLayerWithIndices，self）.get_config（）
return dict（list（base_config.items（））+list（config.items（））
类SimpleModel（tf.keras.Model）：
def uuu init uuuuuu（自身、形状、过滤器大小=3）：
super（SimpleModel，self）。\uuuu init\uuuuu（）
#设置参数
self.filter\u size=过滤器大小
#创建层
self.input\u layer=tf.keras.layers.InputLayer（input\u shape=in\u shape，batch\u size=1）
self.conv_layer=tf.keras.layers.Conv2D（1[filter_size，filter_size]，步长=（1,1），padding='same'，use_bias=False）
self.pooling_layer=MaxPoolLayerWithIndices（在_形状中，池大小=（2,2），步幅=（2,2），填充=‘有效’）
@功能
def呼叫（自我，输入）：
x=自输入层（输入）
x、 ind=自池层（自转换层（x））
返回x
tf.config.run_函数（True）
#设置输入路径
模型\u文件名='E:\\simple\u test\u model'
#初始化GPU
GPU=tf.config.experimental.list\u物理\u设备（'GPU'））
tf.config.experimental.set_memory_growth（GPU[0]，True）
#创建随机数据集
ds=tf.data.Dataset.from_tensor_切片（（tf.random.uniform（[1256256,1]），tf.random.uniform（[1128128,1]））。批次（1）。重复（）
img，lbl=下一个（国际热核实验堆（ds））
#生成模型
模型=SimpleModel（[256256]）
#编译模型
model.compile（优化器='adam'，
loss=tf.keras.loss.CategoricalCrossentropy（from_logits=False），35; SparseCategoricCrossEntropy
指标=[‘准确度’]）
#列车模型
模型历史=model.fit（ds，历元=1，每历元步长=10）
#保存模型
model.save（model\u文件）