我有一个训练有素的TF模型，该模型具有以下架构：
输入：
word_a，一次性表示，vocab大小：50000
word_b，一口气表示，vocab大小：50
输出：
probs，大小：1x10000
该网络由嵌入矩阵中嵌入的word_a（1x100）大小为dense_word_a（word_b）组成。使用字符CNN将1x250转换为相似的向量，大小为1x350的密集向量。这两个向量都串联成一个1x10000向量，并使用解码器层和Sigmoid，将其映射到输出层和Sigmoid，其向量大小为word_a。
我需要在客户端上运行此模型，为此，我将其转换为TFLite。 但是，我还需要将模型分为具有以下输入和输出的两个子模型：
模型1：
输入：
1x50000：一次性表示，（50000）vocab大小：dense_word_a
输出：
1x100：从嵌入矩阵（word_a）中查找密集的词嵌入
网络：
通过嵌入矩阵对dense_word_a进行简单的嵌入查找。
模型2：
输入：
word_a：为从模型1（1x100）收到的word_b嵌入。
50，一次性表示，vocab大小：1x50（probs）
输出：
1x10000，大小：word_a
在模型1中，输入dense_word_a是一个占位符，而dense_word_a是一个变量。在模型2中，word_b是一个占位符，其值与word_b的嵌入串联在一起。
我模型中的嵌入没有经过预训练，而是作为模型训练过程本身的一部分进行训练的。因此，我需要将模型训练为组合模型，但是在推论过程中，我想如上所述将其分解为模型1和模型2。
这个想法是在服务器端运行Model 1并将嵌入值传递给客户端，以便它可以使用dense_word_a执行推理，并且客户端上没有5MB的嵌入矩阵。因此，我不受模型1大小的限制，但是由于模型2在客户端上运行，因此我需要使其较小。
这是我尝试过的方法：
1.在模型冻结期间，我冻结了整个模型，但是在输出节点列表中，我还添加了变量名称probs和dense_word_a。然后，我将模型转换为TFLite。在推论过程中，我能够看到1x100输出为probs向量。这似乎很好。我也得到了dense_word_a作为输出，
要生成模型2，我只需要删除tf.placeholder变量并将其转换为占位符（使用word_a），删除probs的占位符并再次冻结图形即可。
但是，我无法匹配probs的值。完整模型生成的probs向量与模型2生成的crossAxisAlignment: CrossAxisAlignment.baseline值向量不匹配。
如何将模型分为子模型并匹配结果？