TensorFlow 1.15.0训练图中移除PyFunc节点并导出SavedModel方法

方法一：用原生TensorFlow操作重写自定义逻辑 #

虽然你提到原生无对应操作，但可以尝试用现有基础op组合实现相同功能：

• 自定义的数值转换、特征处理逻辑，多数能通过tf.math、tf.strings、tf.reshape等基础op拼接实现
• 复杂条件分支可改用tf.cond、tf.where替代Python的if/else；循环逻辑用tf.while_loop实现
• 重写后直接替换训练代码中的tf.py_func节点，训练完成后直接导出SavedModel即可，无需额外处理

方法二：训练后替换PyFunc节点为原生op子图 #

如果训练时必须保留PyFunc（比如调试便利），可在导出阶段手动替换节点：

1. 加载训练好的图：

   import tensorflow as tf
   sess = tf.compat.v1.Session()
   saver = tf.compat.v1.train.import_meta_graph('./model.meta')
   saver.restore(sess, './model')
   graph = tf.compat.v1.get_default_graph()
   

2. 定位PyFunc节点和其输入输出：
   找到PyFunc节点的名称（比如PyFunc），以及对应的输入节点（如input_tensor）和输出节点（如pyfunc_output）
3. 用原生op实现等效逻辑：
   比如原PyFunc是做x * 2 + 1的转换，就用原生op实现：

   input_tensor = graph.get_tensor_by_name('input_tensor:0')
   new_output = tf.add(tf.multiply(input_tensor, 2), 1, name='new_output')
   

4. 重新构建导出图并保存：
   将原来依赖PyFunc输出的节点，改为依赖新的new_output，再用tf.compat.v1.saved_model.simple_save导出：

   tf.compat.v1.saved_model.simple_save(
       sess,
       './exported_model',
       inputs={'input': input_tensor},
       outputs={'output': new_output}
   )
   

方法三：固化PyFunc的计算逻辑为常量（仅适用于无参数的固定转换） #

如果PyFunc的转换逻辑完全固定（不依赖训练参数，仅对输入做固定处理），可直接将其计算结果固化为常量节点：

1. 训练完成后，用固定输入喂给PyFunc节点，得到输出值
2. 用tf.constant创建常量节点，替换原来的PyFunc节点
3. 重新保存模型，此时图中不再包含PyFunc节点

注意：该方法仅适用于转换逻辑不随输入变化的场景，动态计算逻辑不适用。

内容的提问来源于stack exchange，提问作者谭明超