企业官网建设流程全解析

零基础吃透：SavedModel与RaggedTensor的结合使用

核心背景（先理清）

SavedModel是 TensorFlow 官方的模型序列化格式，能完整保存模型的「权重+计算图+签名」，支持跨平台部署（如TensorFlow Serving、TFLite）、离线复用；
RaggedTensor 与 SavedModel 兼容的核心规则：

• TF 2.3+：通过「具体函数（Concrete Function）」原生支持 RaggedTensor，无需额外处理；
• TF 2.3 前：需将 RaggedTensor 拆解为「values（元素值）+ row_splits（行分割点）」两个张量，再保存/加载。

下面结合你提供的两个核心示例（Keras模型、自定义tf.Module模型），逐行解析代码逻辑、原理和关键注意事项。

前置准备（确保代码可运行）

importtensorflowastfimporttempfile# 用于创建临时目录存储SavedModel

示例1：保存/加载支持RaggedTensor的Keras模型

步骤1：先重建之前的Keras模型（衔接上下文）

# 1. 定义数据（复用之前的句子分类任务）sentences=tf.constant(['What makes you think she is a witch?','She turned me into a newt.','A newt?','Well, I got better.'])is_question=tf.constant([True,False,True,False])# 2. 预处理：字符串→RaggedTensor（单词哈希编码）hash_buckets=1000words=tf.strings.split(sentences,' ')hashed_words=tf.strings.to_hash_bucket_fast(words,hash_buckets)# RaggedTensor# 3. 构建适配RaggedTensor的Keras模型（修正后版本，避免LSTM报错）keras_model=tf.keras.Sequential([tf.keras.layers.Input(shape=[None],dtype=tf.int64,ragged=True),# 声明Ragged输入tf.keras.layers.Embedding(hash_buckets,16),tf.keras.layers.LSTM(32,use_bias=False),tf.keras.layers.Dense(32),tf.keras.layers.Activation(tf.nn.relu),tf.keras.layers.Dense(1)])keras_model.compile(loss='binary_crossentropy',optimizer='rmsprop')keras_model.fit(hashed_words.to_tensor(default_value=0),is_question,epochs=1)# 补0后训练

步骤2：保存Keras模型（支持RaggedTensor输入）

# 创建临时目录（避免手动管理路径）keras_module_path=tempfile.mkdtemp()# 保存模型：自动将Keras模型转换为SavedModel格式，包含RaggedTensor的处理逻辑tf.saved_model.save(keras_model,keras_module_path)print(f"Keras模型已保存到：{keras_module_path}")

步骤3：加载SavedModel并调用（传入RaggedTensor）

# 加载保存的模型imported_model=tf.saved_model.load(keras_module_path)# 直接传入RaggedTensor（hashed_words），模型透明处理result=imported_model(hashed_words)print("\n加载后模型的预测结果：")print(result)

运行结果+关键解读

WARNING:absl:Function `_wrapped_model` contains input name(s) args_0 with unsupported characters which will be renamed to args_0_1 in the SavedModel. INFO:tensorflow:Assets written to: /tmp/xxx/assets <tf.Tensor: shape=(4, 1), dtype=float32, numpy= array([[0.05265009], [0.000567 ], [0.03915224], [0.0021234 ]], dtype=float32)>

1. 警告含义（非错误）：
   SavedModel对输入名称的字符有规范，自动将不兼容的名称（如args_0）重命名为args_0_1，不影响模型功能；
2. 核心兼容逻辑：
   Keras模型的Input层声明了ragged=True，保存为SavedModel时，TF会自动生成适配RaggedTensor的具体函数（Concrete Function），加载后可直接传入RaggedTensor；
3. 结果一致性：
   加载后模型的预测结果与原Keras模型完全一致，说明RaggedTensor的处理逻辑被完整保存。

示例2：保存/加载支持RaggedTensor的自定义tf.Module模型

自定义tf.Module是TF原生的模型封装方式（比Keras更灵活），但需手动构建具体函数（指定RaggedTensor的输入签名），否则SavedModel无法正确处理RaggedTensor。

步骤1：定义自定义tf.Module（含RaggedTensor运算）

classCustomModule(tf.Module):def__init__(self,variable_value):super(CustomModule,self).__init__()# 定义可训练变量（会被SavedModel保存）self.v=tf.Variable(variable_value,dtype=tf.float32)# 用@tf.function装饰：编译为计算图，支持RaggedTensor@tf.functiondefgrow(self,x):# 核心逻辑：RaggedTensor的每个元素 × 变量vreturnx*self.v# 实例化模块（变量v=100.0）module=CustomModule(100.0)

步骤2：预构建具体函数（关键！适配RaggedTensor）

# 必须先构建具体函数：指定输入为RaggedTensorSpec（二维、float32、可变长度）# 作用：让SavedModel记录RaggedTensor的输入签名，避免加载后调用报错concrete_func=module.grow.get_concrete_function(tf.RaggedTensorSpec(shape=[None,None],dtype=tf.float32))print("预构建的具体函数：",concrete_func)

步骤3：保存自定义模块

# 创建临时目录custom_module_path=tempfile.mkdtemp()# 保存模块：包含变量v、grow函数的计算图、RaggedTensor的输入签名tf.saved_model.save(module,custom_module_path)print(f"\n自定义模型已保存到：{custom_module_path}")

步骤4：加载并调用（传入RaggedTensor）

# 加载保存的模块imported_module=tf.saved_model.load(custom_module_path)# 传入RaggedTensor调用grow函数ragged_input=tf.ragged.constant([[1.0,4.0,3.0],[2.0]],dtype=tf.float32)result=imported_module.grow(ragged_input)print("\n自定义模型调用结果：")print(result)

运行结果+关键解读

INFO:tensorflow:Assets written to: /tmp/yyy/assets <tf.RaggedTensor [[100.0, 400.0, 300.0], [200.0]]>

1. 为什么必须预构建具体函数？
   自定义tf.Module的@tf.function函数默认是“动态跟踪”的，未指定输入签名时，SavedModel无法确定输入类型（密集张量/RaggedTensor）；
   用get_concrete_function+tf.RaggedTensorSpec预构建后，SavedModel会固化RaggedTensor的处理逻辑，加载后可直接调用。
2. 运算逻辑验证：
   RaggedTensor的每个元素 × 变量v（100.0），结果保留RaggedTensor结构：
   • [1.0,4.0,3.0] × 100 → [100.0,400.0,300.0]；
   • [2.0] × 100 → [200.0]。

关键注意事项（避坑核心）

1. 版本要求（重中之重）

• TF 2.3+：具体函数原生支持RaggedTensor，无需额外处理；
• TF 2.3 前：SavedModel的签名不支持RaggedTensor，需手动拆解RaggedTensor为两个张量：

  # 低版本兼容：拆解RaggedTensorrt=tf.ragged.constant([[1.0,2.0],[3.0]])rt_values=rt.values# 所有元素值：[1.0,2.0,3.0]rt_row_splits=rt.row_splits# 行分割点：[0,2,3]# 保存/加载时传递values+row_splits，加载后用tf.RaggedTensor.from_row_splits重构

2. 具体函数（Concrete Function）的必要性

• Keras模型：TF自动为ragged=True的Input层生成具体函数，无需手动构建；
• 自定义tf.Module：必须用get_concrete_function(tf.RaggedTensorSpec)预构建，否则加载后调用RaggedTensor会报错。

3. tf.RaggedTensorSpec的作用

• 定义RaggedTensor的输入签名（形状、 dtype），让SavedModel明确输入约束；
• 示例中shape=[None, None]表示二维RaggedTensor，两个维度长度均可变；
• 若需固定某一维（如固定批次大小为32），可写shape=[32, None]。

4. SavedModel的核心组成（了解即可）

保存后的SavedModel目录包含：

• assets/：静态资源（如词汇表）；
• variables/：模型权重（如CustomModule的变量v）；
• saved_model.pb：计算图+签名（包含RaggedTensor的处理逻辑）。

核心总结（SavedModel + RaggedTensor）

核心原则

1. SavedModel对RaggedTensor的支持依赖「具体函数（Concrete Function）」，需确保保存前生成适配RaggedTensor的具体函数；
2. TF 2.3+是兼容的最低版本，低版本需拆解RaggedTensor为分量张量；
3. Keras模型的兼容性更“傻瓜化”（自动处理），自定义tf.Module需手动指定输入签名。

这套方案是生产环境中部署“处理可变长度数据（文本、序列）”模型的标准流程，既保留RaggedTensor无冗余的优势，又能利用SavedModel实现模型的序列化和部署。