请求tensorflow-model-server时如何处理Estimator categorical_column？

Question

您知道，请求Tensorflow服务服务器需要使用以下结构来组织请求数据格式：

Example(
    features=Features(
        feature={
            'SepalLength': Feature(float_list=FloatList(value=[5.1])),
            'SepalWidth': Feature(float_list=FloatList(value=[3.3])),
            'PetalLength': Feature(float_list=FloatList(value=[1.7])),
            'PetalWidth': Feature(float_list=FloatList(value=[0.5])),
        }
    )
)

如果我的数据仅为tf.feature_column.numeric_column，那很简单，我可以这样处理：

tf.train.Feature(float_list=tf.train.FloatList(value=[value]))

但是我的训练数据是：

categorical_column = tf.feature_column.categorical_column_with_identity(
            key = name, num_buckets = 3 )
indicator_column = tf.feature_column.indicator_column( categorical_column )

它是categorical_column，就像某种热结构一样，在这种情况下，我不知道该如何处理，也找不到任何高级教程来解决这个问题，

如果我想处理我的数据以适应tensorflow-model-server 请求要求，该怎么办？谢谢。

PS： 我使用以下组件： 培训框架： tensorflow estimator 客户： tensorflow-seving-api 服务器： tensorflow-model-server