根本原因不是模型参数多，而是保存方式将训练状态、图结构、检查点元信息等全量序列化；tf.keras.models.save_model()默认用savedmodel格式，保存完整计算图、@tf.function编译结果、输入签名、自定义层python对象及未调用分支逻辑，导致文件臃肿。
根本原因不是“模型参数多”，而是保存方式把训练状态、图结构、检查点元信息甚至临时变量全塞进去了——尤其是用 tf.train.Saver 或 model.save() 时默认保留了完整计算图和优化器快照。
为什么 tf.keras.models.save_model() 会生成超大文件？
这个函数默认走 SavedModel 格式，它不只是存权重，还会序列化：整个 ConcreteFunction 调用链、所有 @tf.function 编译后的图、输入签名（input_signature）、自定义层的 Python 层对象（含闭包）、甚至未被调用但已定义的分支逻辑。一旦模型里有 tf.distribute、tf.estimator 或 Keras 回调残留，它们的序列化开销就直接翻倍。
- 常见错误：在训练脚本中没清理回调（如
TensorBoard、ModelCheckpoint）就直接model.save() - 更隐蔽的问题：用了
tf.keras.layers.Lambda包裹 Python 函数，导致整个函数体被 pickle 进去 - TF 2.15+ 中，
saved_model.loader.load()隐式依赖google.protobuf和tensorflow.python.framework全量模块，打包时容易拉入冗余依赖
为什么 TF1.x 的 builder.add_meta_graph_and_variables() 保存后体积爆炸？
这是最典型的“只想要参数，却存了整套训练现场”的情况。该方法会把 MetaGraphDef（含全部 Variable、Operation、CollectionDef）和 checkpoint 一起写入，而 Collection 里可能混着 train_op、global_step、moving_mean 等训练专用节点，哪怕你只做推理，它们也占空间。
- 解决方案：改用
tf.saved_model.simple_save()（TF1.x）或显式导出 inference-only 图 - 关键操作：在保存前调用
tf.keras.backend.clear_session()清掉无用图节点 - 必须过滤 collection：用
tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)显式指定只存变量，别碰TRAINABLE_VARIABLES或UPDATE_OPS
如何只保存最小可用参数（.pb / .h5 / .tflite）？
目标很明确：扔掉图结构、不存优化器、不带 Python 逻辑、只留张量值。不同格式对应不同取舍：
-
.h5：用model.save_weights_only=True+save_format='h5'，体积通常为原始 SavedModel 的 1/5～1/10 -
.pb（冻结图）：必须先tf.graph_util.convert_variables_to_constants()，再tf.graph_util.remove_training_nodes()，否则 batch norm 的 moving stats 会以 Variable 形式残留 -
.tflite：用tf.lite.TFLiteConverter.from_saved_model()+converter.experimental_enable_resource_variables = False，禁用 resource 变量可避免引入额外 runtime 支持库
真正容易被忽略的是：即使你只导出权重，如果模型里存在未被修剪的嵌入矩阵（比如 tf.Variable 初始化时用了 tf.random_uniform([100000, 128])），那个 10 万 × 128 的全量矩阵就真的一字不落地写进去了——而实际业务可能只用到其中几百个 ID。
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！
