TensorFlow SignatureDefs（签名定义）用于定义模型的不同种类或用途。每个SignatureDef都描述了模型输入和输出的结构和语义。

不同种类的SignatureDefs的目的是为了支持模型的多功能性和灵活性。通过定义不同的SignatureDefs，可以在同一个模型中支持不同的用途，比如训练、评估和推理。

下面是一个示例，展示了如何创建和使用不同种类的SignatureDefs：

import tensorflow as tf

# 定义模型输入和输出的结构
input_tensor = tf.placeholder(tf.float32, shape=[None, 784], name='input')
output_tensor = tf.placeholder(tf.int32, shape=[None], name='output')

# 创建训练用的SignatureDef
train_inputs = {'input': tf.saved_model.utils.build_tensor_info(input_tensor)}
train_outputs = {'output': tf.saved_model.utils.build_tensor_info(output_tensor)}
train_signature = tf.saved_model.signature_def_utils.build_signature_def(
    inputs=train_inputs,
    outputs=train_outputs,
    method_name=tf.saved_model.signature_constants.TRAINING
)

# 创建推理用的SignatureDef
infer_inputs = {'input': tf.saved_model.utils.build_tensor_info(input_tensor)}
infer_outputs = {'output': tf.saved_model.utils.build_tensor_info(output_tensor)}
infer_signature = tf.saved_model.signature_def_utils.build_signature_def(
    inputs=infer_inputs,
    outputs=infer_outputs,
    method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME
)

# 创建SavedModel
builder = tf.saved_model.builder.SavedModelBuilder('saved_model/')
builder.add_meta_graph_and_variables(
    sess=tf.Session(),
    tags=[tf.saved_model.tag_constants.SERVING],
    signature_def_map={
        'train': train_signature,
        'infer': infer_signature
    }
)
builder.save()

上述代码中，我们创建了两个SignatureDef，一个用于训练（TRAINING），一个用于推理（PREDICT）。每个SignatureDef都定义了模型的输入和输出，并使用tf.saved_model.signature_def_utils.build_signature_def函数创建SignatureDef对象。

最后，我们将两个SignatureDefs添加到SavedModel中，并保存到文件系统中。这样，在加载SavedModel时，可以根据需要选择使用哪个SignatureDef进行训练或推理。