正确导出tensorflow计算图的方式是使用tf.keras.models.save_model保存为savedmodel格式，而非直接调用model.call；savedmodel包含完整计算图、权重和签名，是官方推荐的序列化标准。
用 tf.keras.models.load_model 加载后直接调用 model.call 无法导出计算图
序列模型（Sequential）本身是高层封装，不等于计算图。直接调用 model(x) 或 model.call(x) 只会触发一次前向执行，返回 tf.Tensor，但不会生成可保存、可部署的静态图结构。
真正需要的是将模型“冻结”为 ConcreteFunction 或保存为 SavedModel 格式——这才是 TensorFlow 计算图的落地形态。
- 别试图用
tf.function(model)包裹整个模型实例：会报ValueError: Input tensors must be from the same graph -
model.to_json()或model.get_config()只导出结构，不含权重，也不构成图 - 如果模型含自定义层或非标准激活（如
tf.keras.layers.Lambda带 Python 函数），必须确保该函数可被tf.function跟踪
正确导出方式：用 tf.keras.models.save_model 保存为 SavedModel
SavedModel 是 TensorFlow 官方推荐的序列化格式，内部包含完整的计算图（MetaGraphDef）、变量、签名（signatures）和可选的检查点。
实操步骤如下：
- 确保模型已编译（即使只做推理，也建议调用
model.compile()，避免某些 backend 行为差异） - 调用
tf.keras.models.save_model(model, "my_model")，路径末尾不加扩展名 - 生成的目录里会有
saved_model.pb（图定义）和variables/（权重） - 后续可用
tf.saved_model.load("my_model")加载为可调用对象，其底层就是绑定到图的ConcreteFunction
示例：
import tensorflow as tf model = tf.keras.Sequential([tf.keras.layers.Dense(10), tf.keras.layers.Softmax()]) model.build(input_shape=(None, 5)) tf.keras.models.save_model(model, "dense_softmax_model") # 此时目录 dense_softmax_model/ 已含完整计算图
需要纯 tf.Graph 对象？用 tf.function + get_concrete_function
如果你明确要拿到 tf.Graph 实例（比如做图分析、手动替换节点），不能直接访问模型内部图，而应通过 tf.function 提取 concrete function 后读取其 graph 属性。
- 先定义一个包装函数：
@tf.function修饰的函数，接收输入并调用model(x) - 调用该函数的
get_concrete_function(input_spec)获取具体化函数 - 再通过
concrete_func.graph拿到原始tf.Graph对象 - 注意：
input_spec必须是tf.TensorSpec，例如tf.TensorSpec([None, 784], tf.float32)
示例：
@tf.function
def infer(x):
return model(x)
<p>concrete = infer.get_concrete_function(
tf.TensorSpec([None, 784], tf.float32)
)
graph = concrete.graph # 这才是真正的 tf.Graph 实例</p>
常见坑：模型含动态控制流或 NumPy 调用时图导出失败
TensorFlow 计算图要求所有逻辑可静态追踪。以下情况会导致 save_model 或 get_concrete_function 报错：
- 模型中用了
if x > 0:这类 Python 原生条件（应改用tf.cond或确保条件张量是tf.Tensor） - 在
call方法里调用np.random.xxx或print()（这些无法进入图） - 使用了未被
tf.function支持的第三方库函数（如scipy） - 输入 shape 不固定且未显式指定
input_shape或batch_input_shape，导致 concrete function 无法推断维度
调试技巧：在模型 call 中插入 tf.print("in graph mode:", tf.executing_eagerly())，确认是否真进入了图模式。
图导出不是“转换动作”，而是“重新捕获过程”——它依赖你写的代码能否被 TensorFlow 的 autograph 和 tracing 机制完整覆盖。任何逃逸到 Python 解释器的行为，都会让图在那个位置断裂。
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！
