在Java中使用经过训练的TensorFlow模型

Question

我已经用Python训练了一个TensorFlow模型，并希望在Java代码中使用它。通过以下代码对模型进行培训：

def input_fn():
    features = {'a': tf.constant([[1],[2]]),
                'b': tf.constant([[3],[4]]) }
    labels = tf.constant([0, 1])
    return features, labels

feature_a = tf.contrib.layers.sparse_column_with_integerized_feature("a", bucket_size=10)
feature_b = tf.contrib.layers.sparse_column_with_integerized_feature("b", bucket_size=10)
feature_columns = [feature_a, feature_b]

model = tf.contrib.learn.LinearClassifier(feature_columns=feature_columns)
model.fit(input_fn=input_fn, steps=10)

现在我想保存这个模型，以便在Java中使用它。似乎export_savedmodel是新的/首选的储蓄方式，所以我尝试了：

feature_spec = tf.contrib.layers.create_feature_spec_for_parsing(feature_columns)
serving_input_fn = input_fn_utils.build_parsing_serving_input_fn(feature_spec)
model.export_savedmodel('export', serving_input_fn, as_text=True)

这将生成一个保存的模型，可以使用

model = SavedModelBundle.load(dir, "serve");
model.session().runner()
    .feed("input_example_tensor", input)
    .fetch("linear/binary_logistic_head/predictions/probabilities")
    .run();

但现在有一个问题：输入_example _tensor应该是一个包含字符串/字节[]s的张量，但Java还不支持它（请参阅：tensor.Java#88“throw new UnsupportedOperationException”）。据我所知，它需要字符串的原因是build_parsing_serving_input_fn想要解析序列化的示例协议缓冲区

也许换一种服务会更好input_fn_utils.build_default_serving_input_fn看起来很有希望，但我没能成功

如果我这样称呼它：

features_dict = {'a':feature_a, 'b':feature_b}
serving_input_fn = input_fn_utils.build_default_serving_input_fn(features)

我得到了“AttributeError:'_SparseColumnIntegrated'对象没有属性'get_shape'”

如果我这样称呼它：

features = {'a': tf.constant([[1],[2]]),
            'b': tf.constant([[3],[4]]) }
serving_input_fn = input_fn_utils.build_default_serving_input_fn(features)

我得到“ValueError:'Const:0'不是有效的作用域名称”

使用input_fn_utils.build_default_serving_input_fn的正确方法是什么？我找不到任何使用它的例子