TF 2.x模型保存与加载：用SavedModel替代HDF5

本文深入解析了TensorFlow 2.x中SavedModel格式保存与加载的常见陷阱与最佳实践，直击“结构权重丢失”“加载报错”“自定义类失效”“部署shape不一致”等高频痛点，强调SavedModel并非简单打包而是依赖可追踪执行轨迹的序列化机制——必须在保存前完成至少一次前向传播以构建计算图，严格使用绝对路径和正确目录结构，并通过显式注册自定义对象、校准输入签名等方式保障跨环境复现性，为模型可靠落地提供关键实操指南。

save_model() 保存时为什么模型结构和权重都丢了？

直接调用 tf.keras.models.save_model(model, 'path') 却发现加载后报错 ValueError: Unable to load weights... no matching layer，大概率是路径没写对或保存时用了非默认签名。SavedModel 不是“一键打包”，它默认只保存训练好的可调用对象（即带输入输出签名的 concrete function），如果模型没被实际调用过（比如刚编译完还没 fit），tf.function 图没构建，保存会漏掉权重。

• 务必在保存前让模型至少前向一次：model(tf.zeros((1,) + input_shape))
• 避免用相对路径或含空格/中文的路径，改用绝对路径，如 /tmp/my_model
• 不指定 signatures 参数时，Keras 会自动推导，但仅限于 model.call 已被 trace 过的情况

load_model() 加载 SavedModel 报 KeyError: 'saved_model.pb'

这个错误说明你给 tf.keras.models.load_model() 传的是个空目录、ZIP 文件，或者路径指向了 HDF5 文件（.h5）却误以为是 SavedModel。SavedModel 是一个目录，里面必须包含 saved_model.pb 文件和 variables/ 子目录。

• 检查路径是否真实存在且可读：os.listdir('/path/to/model') 应该能看到 saved_model.pb 和 variables/
• 别把 .h5 文件重命名为 .pb 或扔进文件夹假装是 SavedModel —— 它们格式完全不兼容
• 加载时不用加后缀，直接传目录路径：tf.keras.models.load_model('/path/to/model')，不是 '/path/to/model/saved_model.pb'

自定义层/损失函数加载时报 NotImplementedError: Cannot convert a symbolic Tensor

这是 SavedModel 对自定义逻辑最典型的兼容问题：序列化时没保留 Python 层定义，只存了计算图。加载时 Keras 找不到原始类，无法重建层实例。

• 保存前确保自定义类已导入，并在保存脚本里显式注册：tf.keras.utils.get_custom_objects()['MyLayer'] = MyLayer
• 更可靠的做法是用 custom_objects 参数加载：load_model(path, custom_objects={'MyLayer': MyLayer})
• 避免在 call() 里用未被 tf.function 支持的操作（如 print、pdb、某些 NumPy 调用），否则 trace 失败，保存的内容不完整

部署到 TensorFlow Serving 时 predict() 输出 shape 不对

SavedModel 加载到 TF Serving 后，客户端请求返回的 tensor shape 和本地 model.predict() 不一致，常见于输入 signature 没对齐。Keras 默认保存的 signature 是 serving_default，输入 key 固定为 input_1（除非你手动指定），但名字和 shape 必须和训练时一致。

• 用 saved_model_cli show --dir /path/to/model --all 查看实际 signature 输入名与 shape
• 加载后检查：loaded = tf.keras.models.load_model(path); list(loaded.signatures.keys())，确认用的是哪个 signature
• 预测时别直接喂 numpy 数组，先包装成符合 signature 的 dict：loaded.signatures['serving_default'](input_1=tf.constant(x))

SavedModel 的核心约束在于「可再现性」—— 它保存的是执行轨迹，不是代码快照。所以任何依赖运行时动态行为（比如 if 判断不同 backend、随机初始化未固定）、或未 trace 到的分支，都会在加载后失效。真正要跨环境复用，得从第一次 fit() 或 __call__() 开始就走确定性路径。

今天关于《TF 2.x模型保存与加载：用SavedModel替代HDF5》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！