部署Keras模型至Google AI Platform：修复SavedModel导出的serving_input_fn问题

你的问题核心在于模型期望的输入结构和serving_input_receiver_fn提供的特征结构不匹配：你的Keras模型定义了一个名为input_49的三维输入张量（形状(None, 400, 254)），但当前代码却传入了254个独立的特征列，这就导致了KeyError。结合TensorFlow 2.0-beta1的特性，这里有两种针对性的解决方案：

方案1：直接匹配模型的三维输入结构 #

如果你的服务请求会直接传入形状为(batch_size, 400, 254)的张量，那么直接修改serving_input_receiver_fn，让它创建一个和模型输入完全匹配的占位符即可：

def serving_input_receiver_fn():
    # 创建与模型输入层匹配的占位符：形状[None, 400, 254]，None对应可变的batch size
    input_placeholder = tf.placeholder(
        dtype=tf.float64,
        shape=[None, 400, 254],
        name='input_49'
    )
    # 特征字典直接使用模型期望的键名input_49
    features = {'input_49': input_placeholder}
    return tf.estimator.export.ServingInputReceiver(features, features)

这个方案最直接，完全对齐模型的输入定义，避免了不必要的特征拼接操作。

方案2：从多列特征拼接成模型需要的三维张量 #

如果你的服务请求是按254个独立列传递数据（比如每列对应时序中的一个特征维度，每个列包含400个时序步），那么需要在serving_input_receiver_fn里把这些列拼接成模型需要的三维张量：

def serving_input_receiver_fn():
    # 为每个输入列创建占位符，形状为[None, 400]（None是batch size，400是时序步长）
    feature_placeholders = {
        column.name: tf.placeholder(tf.float64, [None, 400])
        for column in INPUT_COLUMNS
    }
    # 将254个(None,400)的张量沿最后一维拼接，得到(None,400,254)的张量
    combined_input = tf.stack(list(feature_placeholders.values()), axis=-1)
    # 映射到模型期望的input_49键
    features = {'input_49': combined_input}
    return tf.estimator.export.ServingInputReceiver(features, feature_placeholders)

这个方案处理了“输入是多列但模型需要单张量”的场景，确保特征结构和模型输入层一致。

关键注意事项 #

1. 数据类型对齐：确保占位符的dtype和Keras模型输入层的数据类型一致（你代码里用了tf.float64，要确认模型输入确实是这个类型）。
2. 输入名称严格匹配：特征字典的键必须和Keras模型输入层的名称完全一致（这里是input_49），大小写、拼写都不能错。
3. TF2.0-beta1兼容性：tf.keras.estimator.model_to_estimator在2.0-beta版本中已经支持直接转换Keras模型，只要输入结构匹配，导出SavedModel就不会有问题。

内容的提问来源于stack exchange，提问作者AntsaR