本地加载经save_pretrained保存的Huggingface模型调用报错求助

能成功运行以下Hugging Face代码完成文本分类：

from transformers import pipeline, TFAutoModel
classifier = pipeline(task="text-classification", model="SamLowe/roberta-base-go_emotions", top_k=None)
sentences = ["This has been a good day"]
classifier(sentences) 

但将模型保存到本地后，用TFAutoModel加载并直接预测时触发错误：

classifier.save_pretrained("local_go_emotions")
model = TFAutoModel.from_pretrained("local_go_emotions")
model(sentences)

错误信息：

Data of type <class 'str'> is not allowed only (<class 'tensorflow.python.framework.tensor.Tensor'>, <class 'bool'>, <class 'int'>, <class 'transformers.utils.generic.ModelOutput'>, <class 'tuple'>, <class 'list'>, <class 'dict'>, <class 'numpy.ndarray'>) is accepted for input_ids.

1. 封装层级差异：pipeline是一站式封装工具，内部集成了文本转张量的tokenizer和适配分类任务的模型；而TFAutoModel仅加载基础预训练模型，无法直接处理原始字符串，必须传入经过tokenizer处理后的张量数据。
2. 模型类选错：文本分类任务需要加载TFAutoModelForSequenceClassification（适配分类任务的模型类），而非通用的TFAutoModel——后者仅输出模型隐藏层特征，不输出分类结果。
3. 缺少文本预处理：直接给模型传字符串列表，模型无法识别，必须先通过tokenizer将文本转换为input_ids、attention_mask等模型可接受的张量格式。

方法一：用pipeline直接加载本地模型（最简便） #

保存后直接复用pipeline加载本地模型，继续使用封装好的预测接口：

from transformers import pipeline

# 加载本地保存的模型
classifier = pipeline(task="text-classification", model="local_go_emotions", top_k=None)
sentences = ["This has been a good day"]
# 直接执行预测
print(classifier(sentences))

方法二：手动加载tokenizer与适配模型类（更灵活） #

若需要自定义处理流程，可手动加载tokenizer和分类模型，完成文本预处理后再预测：

from transformers import TFAutoModelForSequenceClassification, AutoTokenizer
import tensorflow as tf

# 加载tokenizer和分类专用模型
tokenizer = AutoTokenizer.from_pretrained("local_go_emotions")
model = TFAutoModelForSequenceClassification.from_pretrained("local_go_emotions")

sentences = ["This has been a good day"]
# 将文本转换为模型所需的张量格式
inputs = tokenizer(sentences, return_tensors="tf", padding=True, truncation=True)
# 执行预测并转换为概率值
outputs = model(**inputs)
predictions = tf.nn.softmax(outputs.logits, axis=-1)
print(predictions)

内容的提问来源于stack exchange，提问作者Saurabh Verma