TensorFlow怎么保存和加载模型_Python使用tf.saved_model格式

林译川

2026-09-26 • 👁 0人浏览过

tf.saved_model.save要求路径为干净目录而非文件，如"./my_saved_model"；模型需为tf.keras.Model或可追踪对象；加载时需区分tf.keras.models.load_model（支持.predict()）与tf.saved_model.load（需signature调用）。 tf.saved_model.save 保存模型时路径必须是目录，不能是文件名直接用

tf.saved_model.save(model, "model.h5")

会报错，因为

tf.saved_model.save

要求第二个参数是**空目录路径**，不是文件。TensorFlow 会自己在该路径下创建

assets/

、

variables/

和

saved_model.pb

等结构。常见错误现象：

NotImplementedError: Saving custom objects not supported

或

TypeError: expected str, bytes or os.PathLike, not NoneType

，往往是因为路径不存在或传入了带后缀的文件名。正确做法：确保路径是干净目录，例如

tf.saved_model.save(model, "./my_saved_model")

如果目录已存在，TensorFlow 默认会覆盖（不报错），但建议先清理：

import shutil; shutil.rmtree("./my_saved_model", ignore_errors=True)

模型必须是

tf.keras.Model

实例或带

__call__

的自定义对象，且所有计算逻辑需可追踪（即不能含纯 Python 控制流，如

if x > 0:

，应改用

tf.cond

）加载 tf.saved_model 需用 tf.keras.models.load_model 或 tf.saved_model.load 两种加载方式用途不同，选错会导致后续调用失败：

tf.keras.models.load_model("./my_saved_model")

：返回标准

tf.keras.Model

对象，支持

.predict()

、

.fit()

（如果保存时含 optimizer）、

.summary()

等；适合继续训练或推理

tf.saved_model.load("./my_saved_model")

：返回一个

ConcreteFunction

可调用对象（或带签名的

MetaGraph

），更底层，适合部署场景（如 TensorFlow Serving）；它不保证有

.predict

方法，需通过

inference = loaded.signatures["serving_default"]

显式调用若保存时用了

signatures=...

参数，加载后必须按对应 signature 名调用，否则报

KeyError: 'serving_default'

保存带自定义层或损失函数的模型要显式传参如果模型用了自定义

tf.keras.layers.Layer

或自定义 loss，

tf.saved_model.save

默认无法序列化它们，加载时会提示

ValueError: Unknown layer

或

AttributeError: 'NoneType' object has no attribute 'name'

。 Python 3.14.3 微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。下载立即学习 “ Python免费学习笔记（深入） ”；解决方法：保存时加

custom_objects

参数 —— 但注意，

tf.saved_model.save

**本身不接受**

custom_objects

参数，这是

model.save(..., save_format="h5")

的用法正确做法是：改用

tf.keras.models.save_model

并指定

save_format="tf"

，同时传入

custom_objects

：

tf.keras.models.save_model(
    model,
    "./my_custom_model",
    save_format="tf",
    custom_objects={"MyCustomLayer": MyCustomLayer}
)

或者，在自定义类中实现

get_config()

和

from_config()

，并确保类在加载环境里已定义（推荐） tf.saved_model 格式不保存训练状态（optimizer weights）除非显式要求默认情况下，

tf.saved_model.save

只保存模型结构和参数（

trainable_variables

），不保存

optimizer

的内部状态（比如 Adam 的

m

、

v

）。所以加载后不能直接

model.fit()

接续训练。若需恢复训练：保存前确保模型已编译，并传入

include_optimizer=True

（仅对

tf.keras.models.save_model

有效）

tf.saved_model.save

不支持

include_optimizer

，所以必须用

tf.keras.models.save_model(..., save_format="tf")

检查是否保存了 optimizer：加载后运行

loaded.optimizer

，若为

None

就说明没存；也可以看保存目录下是否有

variables/variables.index

之外的 optimizer 相关文件（通常没有）最易被忽略的是：签名（signature）和自定义对象的加载环境一致性。哪怕只差一个类定义位置或版本，

tf.saved_model.load

都可能静默失败或在调用时才抛异常。

相关文章