推荐用model.save("dir_name", save_format="tf")保存为savedmodel格式，路径须为目录名而非.h5文件；含自定义组件需注册或装饰；导出时应指定input_signature以固定输入形状和名称，并本地加载验证签名与推理正确性。
用 tf.keras.models.save_model() 保存训练好的 Keras 模型
这是最直接的方式，适用于 tf.keras.Model 实例（包括 Sequential 和 Functional API 构建的模型）。它默认导出为 SavedModel 格式，不是 HDF5。
常见错误是传入了 .h5 后缀路径，导致静默降级为 HDF5 —— SavedModel 不依赖文件扩展名，而依赖目录结构。只要路径是目录名（不以 .h5 或 .hdf5 结尾），就会生成含 saved_model.pb 和 variables/ 的目录。
- 正确写法：
tf.keras.models.save_model(model, "my_model_dir")（路径是目录名） - 错误写法：
tf.keras.models.save_model(model, "my_model.h5")（会存成 HDF5） - 可选参数：
save_format="tf"显式指定（但默认就是"tf"） - 若模型含自定义层或损失函数，需确保已用
@tf.function装饰或注册到tf.keras.utils.get_custom_objects()，否则加载时报ValueError: Unknown layer
用 model.save() 方法时注意路径语义
model.save() 是 Keras 模型实例的方法，行为与 tf.keras.models.save_model() 基本一致，但更常用。关键仍是路径不能带 .h5 后缀。
使用场景：训练完立刻保存、做 checkpoint、部署前固化模型。SavedModel 包含图结构、权重、签名（signatures），适合 TensorFlow Serving 或 TFLite 转换。
- 推荐写法：
model.save("exported_model", save_format="tf") - 如果路径已存在，会覆盖整个目录（包括旧的
variables/），无需手动清理 - 若模型输入是 RaggedTensor 或 SparseTensor，需在构建时显式调用
model._set_inputs()或使用signatures参数，否则 SavedModel 可能无法推断输入形状
导出带自定义推理签名的 SavedModel
默认导出的 SavedModel 使用 serving_default 签名，输入名是 input_1 这类自动生成的名字。生产中常需控制输入/输出张量名和签名键，方便客户端调用。
方法是传入 signatures 参数，通常配合 @tf.function + input_signature 使用：
@tf.function
def serving_fn(x):
return model(x)
serving_fn = serving_fn.get_concrete_function(
tf.TensorSpec(shape=[None, 224, 224, 3], dtype=tf.float32, name="input_image")
)
model.save("signed_model", signatures={"serving_default": serving_fn})
- 签名函数必须用
@tf.function包装，且get_concrete_function()必须指定完整input_signature（含 shape 和 dtype） - 未指定
name的 TensorSpec，SavedModel 中输入名仍可能为input_1；加name="image"后，客户端才能用{"image": ...}传参 - 多个签名（如
"predict","features"）可一并传入字典，用于不同推理路径
验证 SavedModel 是否可加载且运行正常
导出后别急着扔进 Serving，先本地加载测试。容易忽略的是：SavedModel 加载后返回的是 ConcreteFunction 或可调用对象，不是原始 Keras 模型，不能直接调用 .fit() 或 .summary()。
验证步骤：
- 用
tf.saved_model.load("my_model_dir")加载，检查是否报错（如缺失自定义对象） - 查看签名：
loaded.signatures["serving_default"].structured_input_signature，确认输入名和 shape 正确 - 构造匹配的
tf.Tensor输入（注意 batch 维度、dtype），调用：loaded(input_tensor) - 若用 TFLite 转换，后续需支持的 ops 集合受限，此时可提前用
tf.lite.TFLiteConverter.from_saved_model()测试能否转成功
最常被跳过的一步是签名输入 shape 验证 —— 训练时用 None 占位，导出后若没在 input_signature 中固定 shape，Serving 可能拒绝动态 batch 推理。
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！
