以下是一个使用TensorFlow的示例代码，展示如何改变已保存模型的签名，而无需重新训练模型：

import tensorflow as tf

# 加载已保存的模型
loaded_model = tf.saved_model.load("path/to/saved/model")

# 创建新的签名函数
@tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.float32)])
def new_signature_fn(input_data):
    # 在这里对输入数据进行处理和推理
    output = loaded_model(input_data)
    return {"output": output}

# 为新的签名函数创建保存目录
new_save_dir = "path/to/new/save/directory"
tf.saved_model.save(loaded_model, new_save_dir, signatures={"new_signature": new_signature_fn})

在上面的示例中，我们首先加载了已保存的模型。然后，我们定义了一个新的签名函数new_signature_fn，它接受一个shape=[None]的浮点数张量作为输入，并返回一个包含输出结果的字典。您可以根据您的模型和需求自定义这个函数。

最后，我们使用tf.saved_model.save函数将新的签名函数保存到指定目录new_save_dir中。在保存过程中，我们指定了新的签名名称为"new_signature"。

请注意，这种方法只适用于改变模型的签名，而不会重新训练模型。如果您需要改变模型的结构或参数，您仍然需要重新训练模型。