save_model() 丢失结构和权重主因是模型未前向调用导致trace失败，须先执行model(tf.zeros((1,)+input_shape))；加载报错多因路径错误、格式混淆或自定义类未注册。
save_model() 保存时为什么模型结构和权重都丢了？
直接调用 tf.keras.models.save_model(model, 'path') 却发现加载后报错 ValueError: Unable to load weights... no matching layer，大概率是路径没写对或保存时用了非默认签名。SavedModel 不是“一键打包”，它默认只保存训练好的可调用对象（即带输入输出签名的 concrete function），如果模型没被实际调用过（比如刚编译完还没 fit），tf.function 图没构建，保存会漏掉权重。
- 务必在保存前让模型至少前向一次：
model(tf.zeros((1,) + input_shape)) - 避免用相对路径或含空格/中文的路径，改用绝对路径，如
/tmp/my_model - 不指定
signatures参数时，Keras 会自动推导，但仅限于model.call已被 trace 过的情况
load_model() 加载 SavedModel 报 KeyError: 'saved_model.pb'
这个错误说明你给 tf.keras.models.load_model() 传的是个空目录、ZIP 文件，或者路径指向了 HDF5 文件（.h5）却误以为是 SavedModel。SavedModel 是一个目录，里面必须包含 saved_model.pb 文件和 variables/ 子目录。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 检查路径是否真实存在且可读：
os.listdir('/path/to/model')应该能看到saved_model.pb和variables/ - 别把
.h5文件重命名为.pb或扔进文件夹假装是 SavedModel —— 它们格式完全不兼容 - 加载时不用加后缀，直接传目录路径：
tf.keras.models.load_model('/path/to/model')，不是'/path/to/model/saved_model.pb'
自定义层/损失函数加载时报 NotImplementedError: Cannot convert a symbolic Tensor
这是 SavedModel 对自定义逻辑最典型的兼容问题：序列化时没保留 Python 层定义，只存了计算图。加载时 Keras 找不到原始类，无法重建层实例。
- 保存前确保自定义类已导入，并在保存脚本里显式注册：
tf.keras.utils.get_custom_objects()['MyLayer'] = MyLayer - 更可靠的做法是用
custom_objects参数加载：load_model(path, custom_objects={'MyLayer': MyLayer}) - 避免在
call()里用未被tf.function支持的操作（如 print、pdb、某些 NumPy 调用），否则 trace 失败，保存的内容不完整
部署到 TensorFlow Serving 时 predict() 输出 shape 不对
SavedModel 加载到 TF Serving 后，客户端请求返回的 tensor shape 和本地 model.predict() 不一致，常见于输入 signature 没对齐。Keras 默认保存的 signature 是 serving_default，输入 key 固定为 input_1（除非你手动指定），但名字和 shape 必须和训练时一致。
- 用
saved_model_cli show --dir /path/to/model --all查看实际 signature 输入名与 shape - 加载后检查：
loaded = tf.keras.models.load_model(path); list(loaded.signatures.keys())，确认用的是哪个 signature - 预测时别直接喂 numpy 数组，先包装成符合 signature 的 dict：
loaded.signatures['serving_default'](input_1=tf.constant(x))
fit() 或 __call__() 开始就走确定性路径。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！
