用tf.dataset训练模型进行推理

我训练了一个模特 tf.data.Dataset API,所以我的训练代码看起来像这样

with graph.as_default():
    dataset = tf.data.TFRecordDataset(tfrecord_path)
    dataset = dataset.map(scale_features, num_parallel_calls=n_workers)
    dataset = dataset.shuffle(10000)
    dataset = dataset.padded_batch(batch_size, padded_shapes={...})
    handle = tf.placeholder(tf.string, shape=[])
    iterator = tf.data.Iterator.from_string_handle(handle,
                                                   train_dataset.output_types,
                                                   train_dataset.output_shapes)
    batch = iterator.get_next()
    ... 
    # Model code
    ...
    iterator = dataset.make_initializable_iterator()

with tf.Session(graph=graph) as sess:
    train_handle = sess.run(iterator.string_handle())
    sess.run(tf.global_variables_initializer())
    for epoch in range(n_epochs):
        sess.run(train_iterator.initializer)
        while True:
            try:
                sess.run(optimizer, feed_dict={handle: train_handle})
            except tf.errors.OutOfRangeError:
               break

现在,在模型被训练之后,我想推断出数据集中没有的例子,我不知道如何去做。

为了清楚,我知道如何使用另一个数据集,例如,在测试时,我只是传递了一个测试集的句柄。

问题在于给定缩放方案和网络需要句柄这一事实,如果我想对一个未写入tfrecord的新示例进行预测,我将如何着手进行?

如果我修改 batch 如果可能的话,我会事先负责缩放。

那么我应该如何从模型中推断出单个示例 tf.data.dataset数据集 方式? (这不是为了生产目的,而是为了评估如果我改变特定的特性会发生什么)