TensorFlow模型如何导出SavedModel_使用tf.saved_model.save接口-Python教程-PHP中文网

导出 savedmodel 必须显式指定 concrete function 或 trackable object，避免自动追踪引发的签名混乱、变量遗漏或自定义对象加载失败；需用绝对路径、正确 signatures、预注册自定义类，并确保所有变量已初始化。

tensorflow模型如何导出savedmodel_使用tf.saved_model.save接口

导出 SavedModel 必须指定 concrete function 或 trackable object

直接传一个 tf.keras.Model 实例给 tf.saved_model.save 是能跑通的，但隐含风险：它会自动追踪所有可调用方法（比如 call、predict），可能把训练用的 train_step 也打包进去，或者漏掉你实际部署需要的特定输入签名。

更稳妥的做法是显式提供一个 concrete function，尤其是当你需要控制输入 shape、dtype 或冻结某部分逻辑时：

import tensorflow as tf
<h1>假设 model 是已训练好的 Keras 模型</h1><p>concrete_func = model.signatures['serving_default']  # 如果已定义</p><h1>或手动构建：</h1><p>@tf.function(input_signature=[tf.TensorSpec([None, 224, 224, 3], tf.float32)])
def serve_fn(x):
return model(x, training=False)</p><p>concrete_func = serve_fn.get_concrete_function()
tf.saved_model.save(model, '/path/to/saved_model', signatures={'serving_default': concrete_func})</p>

没定义 signatures 就调 model.signatures['serving_default'] 会报 KeyError
@tf.function 里别写 Python 控制流（如 if x > 0:），否则 trace 不稳定
输入 TensorSpec 的 batch 维必须是 None，硬编码数字（如 [1, 224, 224, 3]）会导致推理时 batch size 不匹配

路径不能是相对路径或带空格/中文

tf.saved_model.save 内部调用的是底层文件系统 API，对路径敏感。用 ./model、../export 或 /tmp/my model 都可能静默失败或生成不完整目录结构。

务必用绝对路径，例如 /home/user/models/resnet_v1
路径末尾不要加 .pb 或 /saved_model.pb —— SavedModel 是个目录，不是单个文件
导出后检查目录下是否有 saved_model.pb + variables/ + assets/，缺一不可

自定义层/损失/指标未注册会导致加载失败

导出时模型能跑，不代表加载后能用。如果用了自定义 tf.keras.layers.Layer、自定义 loss（如 class FocalLoss(tf.keras.losses.Loss)），或在 model.compile() 里传了 lambda 函数，tf.saved_model.load 时大概率报 ValueError: Unknown layer 或找不到函数。

所有自定义类必须提前 import，并在加载前用 tf.keras.utils.get_custom_objects().update(...) 注册（仅限 Keras 加载路径）
更可靠的方式是导出时用 custom_objects 参数传入字典：tf.saved_model.save(..., custom_objects={'FocalLoss': FocalLoss})
lambda 和闭包函数无法序列化，必须改写为显式命名函数