我按照这个链接里的内容，一步一步得出一个model，我现在想把他export成tensorflow TFSaved model的格式，但是他默认先export出来的应该是pytorch格式，你可以教我怎么操作吗。

尽管无法直接访问该链接的具体内容，但基于对Hugging Face Transformers库以及PyTorch模型转换到TensorFlow的一般理解，我可以指导你如何完成这一过程。首先你需要确保已经有一个在PyTorch中的训练好的模型，并且你想要将其转换为TensorFlow的`tf.SavedModel`格式以便于部署或进一步在TensorFlow环境中使用。

### 1. 确保安装必要的包
确保你的环境中已安装了`transformers`，`torch`（用于处理PyTorch模型），以及`tensorflow`（用于保存为TF模型）：

pip install transformers torch tensorflow

### 2. 导入需要的库

import torch
from transformers import AutoModel, AutoTokenizer, TFMT5ForConditionalGeneration # 假设你在使用的是类似MT5这样的模型
import tensorflow as tf

### 3. 加载PyTorch模型
假设你已经有了预训练或者微调过的模型实例`model`，并且它是通过`AutoModel.from_pretrained()`加载得到的。

### 4. 转换到TensorFlow模型
Transformers库提供了方便的方法来转换模型。例如，如果你正在使用的模型支持图像分类任务，可以这样做：

# 假设 'your-model-name' 是你所使用的模型名称
pt_model = AutoModel.from_pretrained('your-model-name') # 这里以非条件生成模型为例说明

# 创建对应的TensorFlow模型
tf_model = TFMT5ForConditionalGeneration.from_pretrained('your-model-name', from_pt=True)

注意参数`from_pt=True`表明我们希望从PyTorch模型初始化TensorFlow模型。

### 5. 检查转换后的模型
确保新的TensorFlow模型能正常工作：

# 使用同样的tokenizer进行文本编码
tokenizer = AutoTokenizer.from_pretrained('your-model-name')
input_ids = tokenizer("Here is some text to test", return_tensors="tf").input_ids

# 测试预测结果
outputs = tf_model(input_ids)[0]
print(outputs)

### 6. 保存为`tf.SavedModel`格式
最后一步就是保存TensorFlow模型为`.savedmodel`格式：

tf.saved_model.save(tf_model, "./saved_model_directory")

这里`"./saved_model_directory"`是你选择用来存放模型文件的目录路径。

以上步骤应该可以帮助你把一个由Hugging Face Transformers创建并在PyTorch环境下运行的模型转换并保存为可以在TensorFlow环境使用的`tf.SavedModel`格式。如果遇到特定的问题或者有更详细的场景需求，请提供更多具体的信息。