ExportArchive 类tf_keras.export.ExportArchive()
ExportArchive 用于编写 SavedModel 工件（例如用于推理）。
如果您有一个 TF-Keras 模型或层，想要导出为 SavedModel 以供服务（例如通过 TensorFlow-Serving），您可以使用 ExportArchive 来配置您需要提供的不同服务端点及其签名。只需实例化一个 ExportArchive，使用 track() 注册要使用的层或模型，然后使用 add_endpoint() 方法注册新的服务端点。完成后，使用 write_out() 方法保存工件。
生成的工件是一个 SavedModel，可以通过 tf.saved_model.load 重新加载。
示例
以下是如何导出模型用于推理。
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(
name="serve",
fn=model.call,
input_signature=[tf.TensorSpec(shape=(None, 3), dtype=tf.float32)],
)
export_archive.write_out("path/to/location")
# Elsewhere, we can reload the artifact and serve it.
# The endpoint we added is available as a method:
serving_model = tf.saved_model.load("path/to/location")
outputs = serving_model.serve(inputs)
以下是如何导出模型，其中一个端点用于推理，另一个端点用于训练模式下的前向传播（例如启用 dropout）。
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(
name="call_inference",
fn=lambda x: model.call(x, training=False),
input_signature=[tf.TensorSpec(shape=(None, 3), dtype=tf.float32)],
)
export_archive.add_endpoint(
name="call_training",
fn=lambda x: model.call(x, training=True),
input_signature=[tf.TensorSpec(shape=(None, 3), dtype=tf.float32)],
)
export_archive.write_out("path/to/location")
关于资源追踪的注意事项
ExportArchive 能够自动追踪其端点使用的所有 tf.Variables，因此大多数时候并不严格要求调用 .track(model)。但是，如果您的模型使用了查找层，例如 IntegerLookup、StringLookup 或 TextVectorization，则需要通过 .track(model) 进行显式追踪。
如果您需要在恢复的归档文件上访问属性 variables、trainable_variables 或 non_trainable_variables，也需要进行显式追踪。