ML Engine预测参数解析报错：官方Wide&Deep模型部署预测遇阻求助

嘿，我完全懂你这种卡在模型解析上的挫败感——部署一堆模型结果只有最简单的能用，照着教程走还踩坑，太闹心了！结合Wide&Deep模型的特性和ML Engine的规则，给你整理几个针对性的排查方向：

1. 先盯死模型导出时的签名定义 #

Wide&Deep是典型的多输入模型，导出时绝对不能依赖默认签名，必须明确指定每个输入输出的键名、张量形状和类型。你可以用TensorFlow自带的工具先验证导出的模型签名：

saved_model_cli show --dir /path/to/your/saved_model --all

重点看signature_def['serving_default']部分，确认是否包含了Wide侧的稀疏特征（比如wide_inputs）和Deep侧的稠密特征（比如deep_inputs），每个输入的dtype和shape是否和训练时完全一致。

如果签名不对，导出时要显式构建预测签名，比如：

signature_def = tf.saved_model.signature_def_utils.predict_signature_def(
    inputs={
        "wide_inputs": wide_inputs_tensor,
        "deep_inputs": deep_inputs_tensor
    },
    outputs={"predictions": model_output_tensor}
)

2. 严格匹配预测请求的格式 #

ML Engine对多输入模型的请求格式要求极严，差一个字符都可能解析失败：

• 用JSON请求时，要确保每个输入的键名和签名里的名称完全一致，数据结构也要匹配张量形状。比如Wide侧是稀疏特征数组、Deep侧是稠密向量的话，正确的请求格式应该是：

单样本请求示例：

{
  "instances": [
    {
      "wide_inputs": [1, 3, 5],
      "deep_inputs": [0.2, 0.5, 0.8]
    }
  ]
}

多样本批量请求示例：

{
  "inputs": {
    "wide_inputs": [[1,3,5], [2,4,6]],
    "deep_inputs": [[0.2,0.5,0.8], [0.1,0.3,0.7]]
  }
}

• 别搞混instances和inputs字段：instances是按样本分组，inputs是按输入特征分组，两种格式ML Engine都支持，但不能混用。

3. 检查部署版本的兼容性 #

部署时必须保证ML Engine使用的TensorFlow版本，和你导出模型时的版本完全一致——跨大版本（比如1.x和2.x）的不兼容是解析失败的重灾区。你可以用gcloud命令验证：

gcloud ai-platform versions describe YOUR_VERSION_NAME --model YOUR_MODEL_NAME

如果版本不匹配，重新部署一个对应版本的模型即可。

4. 用最小化案例做测试 #

如果还是不行，先剥离所有复杂特征，用训练集里的一条简单样本转换成符合签名的请求格式，用gcloud命令直接测试：

gcloud ai-platform predict --model YOUR_MODEL_NAME --version YOUR_VERSION_NAME --json-request test_input.json

如果这个最小案例成功了，再逐步添加复杂特征，定位是哪个特征的格式出了问题；如果还是失败，那大概率是模型导出的签名有问题，得重新导出。

内容的提问来源于stack exchange，提问作者Jason Sackett