最稳妥方式是用tf.keras.models.save_model(model, path, save_format="tf")，路径须为无特殊字符的目录名，保存前需确保模型已前向调用、自定义类已注册，并推荐显式指定signatures以适配部署环境。
用 tf.keras.models.save_model() 保存模型最稳妥
直接调用 tf.keras.models.save_model() 是导出 SavedModel 的推荐方式，它自动处理权重、计算图、签名（signatures）和元数据，兼容性最好。不要手动拼接 tf.saved_model.save() 调用，除非你明确需要自定义签名或冻结特定输入输出。
常见错误是传入模型实例后漏掉 save_format='tf'（虽然默认就是 'tf'，但显式写出更防误），或路径含中文/空格导致后续加载失败。
- 路径必须是**绝对路径或相对路径中不含特殊字符**，建议用
os.path.join()构造 - 目标目录不能已存在（否则报
FileExistsError），可提前shutil.rmtree()清理 - 若模型含自定义层或损失函数，需确保类已导入且在保存前注册（如用
@tf.keras.utils.register_keras_serializable()） - 保存后检查目录结构：应有
saved_model.pb、variables/和assets/子目录
导出时指定 signatures 才能被非 Keras 环境调用
默认保存的模型只带 __call__ 签名，适合 Python 中用 model(input) 调用；但 TensorFlow Serving、TFLite 或 C++ 推理时，必须提供明确的命名 signature。不设 signature，加载后会报 SignatureDef not found 或无法识别输入输出名。
实操上，用 tf.function + get_concrete_function() 构建签名最可靠：
@tf.function
def serve_fn(x):
return model(x, training=False)
<p>concrete_fn = serve_fn.get_concrete_function(
x=tf.TensorSpec(shape=[None, 224, 224, 3], dtype=tf.float32)
)</p><p>tf.keras.models.save_model(
model,
'my_model',
signatures={'serving_default': concrete_fn}
)</p>
-
TensorSpec的shape中None表示 batch 维度可变，务必写对通道数和数据类型 - 签名名（如
'serving_default'）会被 TF Serving 默认使用，别随意改 - 若模型有多个输入（如图像+文本），
concrete_fn参数要一一对应，签名字典里可加多个 key
加载 SavedModel 后验证输入输出名是否匹配部署环境
保存完别急着部署，先用 tf.saved_model.load() 加载并打印 signature，确认输入输出张量名与文档或客户端代码一致。名字不匹配是线上推理失败最常见原因——比如训练时叫 'input_1:0'，而 Serving 配置里写成 'x' 就会报 KeyError。
快速验证命令：
import tensorflow as tf
loaded = tf.saved_model.load('my_model')
print(list(loaded.signatures.keys())) # 看有哪些 signature
infer = loaded.signatures['serving_default']
print(infer.structured_input_signature) # 看输入名、shape、dtype
print(infer.structured_outputs) # 看输出名和结构
- 输出中的
TensorSpec名字（如'output_1'）才是实际键名，不是模型层名 - 如果用
tf.keras.models.load_model()加载，它会自动包装为 Keras 模型，但丢失原始 signature 信息，不适合验证部署兼容性 - TF 2.16+ 中
tf.saved_model.load()返回对象不再支持.predict()，必须走signatures调用
导出前关闭 eager execution 无意义，但禁用 jit_compile 可避免某些 OP 不兼容
有人误以为关掉 eager mode 能让 SavedModel 更“静态”，其实 SavedModel 本质就是图模式导出，eager 开关不影响结果。真正要注意的是 jit_compile=True（XLA 加速）可能导致部分算子无法序列化，尤其涉及动态 shape 或控制流时。
- 训练时用了
@tf.function(jit_compile=True)，导出前建议重载模型并用jit_compile=False再保存 - 若模型含
tf.py_function，SavedModel 无法跨 Python 版本加载，必须替换成原生 TF OP - CPU/GPU 导出的模型通常可互换，但含 GPU 专属 OP（如某些 cuDNN 卷积）的模型，在纯 CPU 环境加载会失败
导出 SavedModel 看似一步操作，真正卡点往往在 signature 定义是否精准、输入 spec 是否与生产数据对齐、以及自定义逻辑能否脱离 Python 运行时存活——这些细节不验证，模型就只是一堆文件，不是服务。
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！
