meta graph 在 tf 2.x 中基本不用了，因其被 savedmodel 全面取代：tf 2.x 默认启用 eager execution，tf.saved_model.save 保存完整可执行图、变量及签名，不再依赖 .meta 文件；tf.train.import_meta_graph 等 tf 1.x api 已移除或失效，推荐统一使用 tf.saved_model.save/load。
Meta Graph 在 TF 2.x 中为何基本不用了
因为 TF 2.x 默认启用 eager execution，模型保存和加载不再依赖 Meta Graph；tf.saved_model.save 生成的 SavedModel 已包含完整可执行图、变量、签名和函数追踪信息，Meta Graph 的角色被彻底取代。
你遇到的“找不到 meta 文件”不是 bug，是设计变更
在 TF 2.x 中调用 tf.train.import_meta_graph 或尝试加载 .meta 文件会直接报错：AttributeError: module 'tensorflow' has no attribute 'train'（如果用了 tf.compat.v1）或更隐蔽的 ValueError: Cannot parse saved_model.pb。这不是路径写错，而是底层机制已移除。
-
tf.train.Saver和.meta+.index+.data三件套只存在于 TF 1.x 的 checkpoint 模式中 - TF 2.x 的
tf.train.Checkpoint保存的是对象状态，不生成.meta文件 - 即使你用
tf.compat.v1.train.Saver，也必须提前调用tf.compat.v1.disable_v2_behavior()，否则.meta写入会静默失败
替代方案：用 SavedModel 而不是 Meta Graph
TF 2.x 推荐的模型持久化方式是 tf.saved_model.save，它打包的是可直接部署的完整模块，不依赖外部元图描述。
- 保存时：直接传入 Keras 模型或带
@tf.function的模块，自动捕获输入签名和变量 - 加载时：用
tf.keras.models.load_model或tf.saved_model.load，返回可调用对象，无需restore步骤 - 导出 Serving 模型时，SavedModel 的
signature_def替代了旧版 Meta Graph 的collection_def，语义更清晰、更安全
迁移旧代码时最容易忽略的一点
很多人以为把 saver.restore(sess, ckpt_path) 改成 checkpoint.restore(ckpt_path) 就完事了，但漏掉了关键差异：
- TF 1.x 的
.meta包含图结构定义，而 TF 2.x 的Checkpoint只存变量值——图结构来自 Python 对象本身 - 如果你用
@tf.function定义训练步，必须确保首次调用时输入 shape/type 已确定，否则tf.saved_model.save无法推断签名 - 混用
tf.compat.v1.train.Saver和原生 TF 2.x 模型（如tf.keras.Model）会导致变量名冲突或 restore 失败，且无明确报错
事情说清了就结束。
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！
