savedmodel是tensorflow 2.x默认且更稳定的选择，因其不依赖h5py、无hdf5头大小限制、支持跨平台部署；应改用model.save('my_model')保存目录，并用tf.keras.models.load_model('my_model')加载。
h5 格式在现代 TensorFlow/Keras 中已不推荐，报错多源于生态兼容性断裂
h5 保存失败的常见错误类型和对应原因
实际遇到的报错往往不是单一问题，而是多个底层冲突叠加：
-
TypeError: a bytes-like object is required, not 'str'—— 源自h5py内部字符串与字节混用（如'/'未 encode），多见于 h5py ≥3.0 + Python 3.8+ 环境 -
AttributeError: 'str' object has no attribute 'decode'—— h5py 3.x 尝试对 str 调用.decode()，本质是 API 层级倒退，Python 3.6+ 下必现 -
RuntimeError: Unable to create attribute (object header message is too large)—— HDF5 文件头限制 64KB，模型结构含大量层/参数名时直接溢出，model.save(..., save_weights_only=False)就会崩 -
OSError: Unable to open file ... No such file or directory—— 表面是路径问题，实则常因 h5py 初始化失败后静默退出，连文件都没真正创建
为什么 SavedModel 是更稳的选择
TensorFlow 2.x 默认且官方主推 SavedModel，它不依赖 h5py，所有元数据、权重、计算图、签名都打包为平台无关的 Protocol Buffer + 目录结构：
- 避免 h5py 版本锁死：不用再反复试
h5py==2.10.0或==2.12.0 - 天然支持跨环境加载：SavedModel 可直接部署到 TensorFlow Serving、TFLite、JS、iOS，h5 则需额外转换
- 大模型友好：无 HDF5 头大小限制，
model.save('my_model')（无 .h5 后缀）即走 SavedModel 流程 - 调试透明：保存后能看到
assets/、variables/、saved_model.pb三个核心部分，出问题可逐层 inspect
如何安全切换并保留兼容性
不是简单改后缀，而是明确调用路径和加载方式：
- 保存时去掉
.h5，用纯目录名：model.save('my_model')→ 生成目录；若仍想保留.h5后缀但走 SavedModel，加save_format='tf' - 加载必须用
tf.keras.models.load_model('my_model')，不能用load_model('my_model.h5')—— 后者强制走 h5 分支 - 若需向前兼容旧 h5 模型，加载时显式指定格式：
load_model('old.h5', compile=False)，但务必确认 h5py 版本 ≤2.10.0 - 权重迁移场景：用
model.load_weights('weights.h5')仍可工作，这是 h5py 唯一稳定接口，无需改
h5 的坑不在你代码写得不对，而在它早已被 TensorFlow 官方降级为“遗留格式”。只要不硬性要求交付 .h5 文件，SavedModel 几乎消除了 90% 的保存失败场景。真正的复杂点在于团队协作时有人坚持用 .h5 路径命名，结果加载时没注意后缀和格式绑定关系，反而让问题更隐蔽。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
