因为模型中包含非标准Python类型（如lambda层、NumPy数组、functools.partial等），TensorFlow保存时需JSON序列化其配置，而这些对象不可序列化；解决方法是自定义层实现get_config/from_config，或改用SavedModel格式保存。
为什么 tf.keras.models.save_model 会报 “Object of type … is not JSON serializable”？
因为你在模型里塞了非标准 Python 类型——比如自定义的 lambda 层、带闭包的函数、NumPy 数组（非标量）、或用了 functools.partial 包装的损失函数。TensorFlow 在保存时会尝试把模型配置序列化成 JSON，这些对象无法被直接转成 JSON。
- 典型错误信息：
TypeError: Object of type ndarray is not JSON serializable或Object of type function is not JSON serializable - 常见场景：用
tf.keras.layers.Lambda调用了含 NumPy 运算的函数；在compile里传入了lambda y_true, y_pred: my_numpy_func(y_true, y_pred) - 不是所有自定义对象都挂——只要没被写进模型的
get_config()或from_config()，就可能逃过检查；但一旦保存全图（save_format="h5"或"tf"），序列化阶段就会暴露问题
怎么让自定义层/函数支持保存？必须实现 get_config 和 from_config
别指望靠装饰器或外部变量“绕过去”。TensorFlow 要的是可重建的、纯 Python 的配置字典。哪怕你只用了一次 Lambda，也得把它包装成一个显式类。
- 错误写法：
Lambda(lambda x: tf.sin(x) * 2)→ 没有get_config，保存失败 - 正确写法：定义类，显式返回可 JSON 序列化的参数
class ScaledSin(tf.keras.layers.Layer):
def __init__(self, scale=2.0, **kwargs):
super().__init__(**kwargs)
self.scale = float(scale) # 确保是 Python 基本类型
<pre class="brush:php;toolbar:false;">def call(self, x):
return tf.sin(x) * self.scale
def get_config(self):
config = super().get_config()
config.update({"scale": self.scale}) # 只能是 int/float/str/bool/None 或它们的嵌套
return config
然后用 ScaledSin() 替代 Lambda ——这样 save_model 才能完整记录并重建。
保存时选 save_format="tf" 还是 "h5"？优先用 "tf"
"h5" 格式对自定义对象更苛刻：它不仅序列化配置，还试图保存权重和拓扑结构到单个 HDF5 文件，容易因内部对象引用失败；"tf"（SavedModel）用 Protocol Buffer + 子目录结构，容错更强，且支持签名和部署。
python-docx Skill功能概述python-docx Skill是一项面向实际任务的技能，主要用于本Skill提供使用python-docx生成专业Word文档的标准方法和最佳实践；生成安全服务方案文档；核心要点生成技术架构设计文档；生成任何需要专业排版的Word文档；核心库 : python-docx；使用与执行辅助库 : docx.shared , docx.enum , docx.oxml.ns；标准代码模板；1. 文档初始化；2. 字体设置（必须！它将相关步骤、工具调用和结果整理方式集
- 默认行为：
save_model(model, "path")在 TF 2.10+ 自动选"tf"；但如果你显式写了save_format="h5"，就主动跳进坑里 - 显式指定更安全：
tf.keras.models.save_model(model, "my_model", save_format="tf") - 注意：
"tf"格式不能用load_model(..., compile=False)后再compile修改损失函数——签名已固化；若需后期改 loss，得用h5（但代价是更严的序列化约束）
临时绕过序列化问题？用 include_optimizer=False + 权重单独存
如果只是想快速存个中间结果、不关心 optimizer 状态或完整图结构，可以跳过配置序列化，只存权重。
-
model.save_weights("weights.h5")完全不碰模型结构，100% 安全 - 加载时需重建相同结构的模型，再调用
model.load_weights("weights.h5") - 配合
include_optimizer=False用在save_model中，能避开部分配置序列化路径（但仍有风险，不如直接用save_weights干净）
这招适合调试期快速 checkpoint，但别当长期方案——毕竟模型结构和权重分离后，很容易漏掉某部分更新。
真正麻烦的从来不是“怎么保存”，而是“为什么这个对象不能被序列化又没报在定义时”。多看一眼 model.get_config() 输出，比反复试错快得多。
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！
