应选savedmodel格式，因其是tensorflow 2.x唯一推荐的跨平台序列化格式，完整保存模型结构、权重、计算图和签名，支持python/c++/java等多语言加载及tensorflow serving、tflite、tensorrt等部署场景；frozen graph已弃用且不兼容自定义层与tf 2.x动态图特性。
TensorFlow模型导出时该选SavedModel还是Frozen Graph
跨平台推理测试的前提是模型格式能被目标环境加载，而SavedModel是当前唯一推荐的跨平台序列化格式。Frozen Graph（freeze_graph）已弃用，TensorFlow 2.x 中默认不支持直接生成，且无法保存Keras自定义层、变量追踪等关键信息，会导致在Android/iOS/TFLite环境加载失败。
实操建议：
- 训练后统一用
tf.keras.models.save_model(model, "saved_model_dir", save_format="tf")
- 避免手动调用
tf.graph_util.convert_variables_to_constants或<code>freeze_graph——这些在TF 2.x中无对应API，强行使用会触发AttributeError: module 'tensorflow' has no attribute 'graph_util' - 导出前确认模型不含
tf.py_function或未注册的自定义op，否则SavedModel在非Python环境（如TFLite、C++ backend）中无法解析
如何验证SavedModel在不同平台可加载
本地验证只是第一步，真正跨平台需模拟目标运行时行为。比如TFLite Runtime、TensorFlow C API、Android的org.tensorflow.lite.Interpreter对OP集和数据类型有更严格限制。
实操建议：
- 用
tf.saved_model.load("saved_model_dir")检查是否能成功加载并调用signatures——这是Python端基础验证 - 转TFLite前先跑
tf.lite.TFLiteConverter.from_saved_model("saved_model_dir")，若报错Unsupported operation: XXX，说明该OP不被目标平台支持（如tf.nn.l2_normalize在某些TFLite版本中不可用） - 对移动端，必须测试
tf.lite.Interpreter能否正确分配tensor内存：调用interpreter.allocate_tensors()后检查interpreter.get_input_details()输出的shape/dtype是否与预期一致
跨平台推理时输入/输出张量名和shape不一致怎么办
SavedModel的signature定义了输入输出接口，但不同平台加载后可能隐式重命名或改变维度顺序（如NHWC→NCHW），导致interpreter.set_tensor(input_index, data)出错或结果异常。
实操建议：
- 导出时显式指定signature：
model.save("dir", signatures={"serving_default": model.call.get_concrete_function(tf.TensorSpec([1, 224, 224, 3], tf.float32))}) - 加载后立刻打印签名：
loaded = tf.saved_model.load("dir"); list(loaded.signatures.keys())和loaded.signatures["serving_default"].structured_input_signature - 在TFLite中不要硬编码input index，改用
input_details = interpreter.get_input_details(); input_name = input_details[0]["name"]动态获取，因为TFLite可能重排tensor顺序 - 注意batch维度：SavedModel常带
None，但TFLite要求固定shape；导出时用tf.TensorSpec([1, ...], ...)而非[None, ...]
为什么在Linux训的模型，在Windows或macOS上load报错“Op type not registered”
这不是平台差异，而是TensorFlow版本或编译选项不一致所致。常见于自定义OP（如CUDA kernel）、或使用了不同构建配置的TF二进制包（如CPU-only vs GPU-enabled）。
实操建议：
- 所有环境统一用pip安装官方wheel：
pip install tensorflow==2.15.0，避免conda或源码编译版本混用 - 检查
tf.version.GIT_VERSION和tf.version.COMPILER_VERSION是否完全一致——哪怕小版本号差0.0.1也可能导致OP注册表不兼容 - 若用了自定义OP，必须把
.so（Linux）/.dll（Windows）/.dylib（macOS）随模型一起分发，并在加载前调用tf.load_op_library("path/to/lib.so")
跨平台推理真正的难点不在代码写法，而在环境一致性控制——模型文件本身不包含运行时依赖，一旦底层TF库行为不一致，再规范的SavedModel也会失效。
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！
