TensorFlow怎么保存和加载模型_Python使用tf.saved

tf.saved_model.save要求路径为干净目录而非文件，如"./my_saved_model"；模型需为tf.keras.model或可追踪对象；加载时需区分tf.keras.models.load_model（支持.predict()）与tf.saved_model.load（需signature调用）。

tensorflow怎么保存和加载模型_python使用tf.saved_model格式

tf.saved_model.save 保存模型时路径必须是目录，不能是文件名

直接用 tf.saved_model.save(model, "model.h5") 会报错，因为 tf.saved_model.save 要求第二个参数是**空目录路径**，不是文件。TensorFlow 会自己在该路径下创建 assets/、variables/ 和 saved_model.pb 等结构。

常见错误现象：NotImplementedError: Saving custom objects not supported 或 TypeError: expected str, bytes or os.PathLike, not NoneType，往往是因为路径不存在或传入了带后缀的文件名。

正确做法：确保路径是干净目录，例如 tf.saved_model.save(model, "./my_saved_model")
如果目录已存在，TensorFlow 默认会覆盖（不报错），但建议先清理：import shutil; shutil.rmtree("./my_saved_model", ignore_errors=True)
模型必须是 tf.keras.Model 实例或带 __call__ 的自定义对象，且所有计算逻辑需可追踪（即不能含纯 Python 控制流，如 if x > 0:，应改用 tf.cond）

加载 tf.saved_model 需用 tf.keras.models.load_model 或 tf.saved_model.load

两种加载方式用途不同，选错会导致后续调用失败：

361SCAN security check your skill python scripts

扫描并分析已安装技能，用于查看指定技能目录的名称、描述和详情，或列出所有已安装的技能。

下载

tf.keras.models.load_model("./my_saved_model")：返回标准 tf.keras.Model 对象，支持 .predict()、.fit()（如果保存时含 optimizer）、.summary() 等；适合继续训练或推理
tf.saved_model.load("./my_saved_model")：返回一个 ConcreteFunction 可调用对象（或带签名的 MetaGraph），更底层，适合部署场景（如 TensorFlow Serving）；它不保证有 .predict 方法，需通过 inference = loaded.signatures["serving_default"] 显式调用
若保存时用了 signatures=... 参数，加载后必须按对应 signature 名调用，否则报 KeyError: 'serving_default'

保存带自定义层或损失函数的模型要显式传参

如果模型用了自定义 tf.keras.layers.Layer 或自定义 loss，tf.saved_model.save 默认无法序列化它们，加载时会提示 ValueError: Unknown layer 或 AttributeError: 'NoneType' object has no attribute 'name'。

解决方法：保存时加 custom_objects 参数 —— 但注意，tf.saved_model.save **本身不接受** custom_objects 参数，这是 model.save(..., save_format="h5") 的用法

正确做法是：改用 tf.keras.models.save_model 并指定 save_format="tf"，同时传入 custom_objects：

tf.keras.models.save_model(
    model,
    "./my_custom_model",
    save_format="tf",
    custom_objects={"MyCustomLayer": MyCustomLayer}
)

或者，在自定义类中实现 get_config() 和 from_config()，并确保类在加载环境里已定义（推荐）

tf.saved_model 格式不保存训练状态（optimizer weights）除非显式要求

默认情况下，tf.saved_model.save 只保存模型结构和参数（trainable_variables），不保存 optimizer 的内部状态（比如 Adam 的 m、v）。所以加载后不能直接 model.fit() 接续训练。

若需恢复训练：保存前确保模型已编译，并传入 include_optimizer=True（仅对 tf.keras.models.save_model 有效）
tf.saved_model.save 不支持 include_optimizer，所以必须用 tf.keras.models.save_model(..., save_format="tf")
检查是否保存了 optimizer：加载后运行 loaded.optimizer，若为 None 就说明没存；也可以看保存目录下是否有 variables/variables.index 之外的 optimizer 相关文件（通常没有）