要导出 TensorFlow Transform 模型而不使用 Estimator，可以使用 SavedModel 格式来保存模型。

以下是一个示例代码，展示了如何将数据转换为 TensorFlow Transform 模型并保存为 SavedModel 格式：

import tensorflow as tf
import tensorflow_transform as tft

def preprocessing_fn(inputs):
    # 定义数据转换逻辑
    outputs = {}
    outputs['scaled_feature'] = tft.scale_to_z_score(inputs['raw_feature'])
    return outputs

# 创建输入函数
def input_fn():
    # 加载原始数据
    raw_data = {'raw_feature': [1, 2, 3, 4, 5]}
    
    # 创建 Dataset 对象
    dataset = tf.data.Dataset.from_tensor_slices(raw_data)
    
    # 使用 TensorFlow Transform 进行数据转换
    transformed_data, transform_fn = tft.coders.tft_encode(dataset, preprocessing_fn)
    
    # 返回特征和标签
    features = {'scaled_feature': transformed_data['scaled_feature']}
    labels = None
    return features, labels

# 构建模型
def model_fn(features, labels, mode):
    # 定义模型逻辑
    outputs = tf.layers.dense(features['scaled_feature'], units=1)
    return outputs

# 创建模型并训练
estimator = tf.estimator.Estimator(model_fn=model_fn)
estimator.train(input_fn=input_fn, steps=100)

# 导出 TensorFlow Transform 模型为 SavedModel 格式
transformed_metadata = dataset_metadata.DatasetMetadata(transformed_data.schema)
tft.export.export_transform_fn(transform_fn, 'transform_fn')
estimator.export_saved_model('saved_model', serving_input_receiver_fn=tft.export.build_parsing_transforming_serving_input_receiver_fn(transformed_metadata, 'transform_fn'))

在上面的示例代码中，首先定义了数据转换逻辑 preprocessing_fn，然后使用 tft.coders.tft_encode 函数将原始数据转换为 TensorFlow Transform 格式的数据，并获取转换函数 transform_fn。接下来，定义了模型逻辑 model_fn，并使用 tf.estimator.Estimator 创建了一个模型，并使用 estimator.train 方法进行训练。最后，使用 tft.export.export_transform_fn 将转换函数保存为 SavedModel 格式，并使用 estimator.export_saved_model 导出模型为 SavedModel 格式。

需要注意的是，这里使用了 tft.export.build_parsing_transforming_serving_input_receiver_fn 来创建输入函数，以确保在加载 SavedModel 时能够正确地进行数据转换。

希望这个示例对你有帮助！