1、TensorFlow模型保存基础：什么是模型保存，为什么需要保存模型，SavedModel与HDF5格式对比
各位同学，咱们今天聊聊模型保存这件事。说实话，我刚入行那会儿，觉得训练完模型就万事大吉了。结果有一次，模型训练了三天三夜，断电了——嗯，你懂的，全没了。从那以后，我养成了一个习惯：每跑完一个epoch就保存一次。
1.1 什么是模型保存？
模型保存，说白了就是把训练好的神经网络参数、网络结构、优化器状态这些东西，打包存到硬盘上。你想想看，训练一个模型可能要花几小时甚至几天，如果不保存，每次用都得重新训练，那得多浪费。
我个人习惯把模型保存理解为「给模型拍张快照」。这张快照里包含了：
- 网络结构：有多少层、每层什么类型、激活函数是什么
- 权重参数：所有可训练的张量数值
- 优化器状态：比如Adam的动量、学习率调度器的当前值
- 训练配置：损失函数、评估指标等
核心要点：保存模型 ≠ 只保存权重。如果你只保存权重，恢复时还得手动重建网络结构，很麻烦。我建议你直接保存完整模型，省心省力。
1.2 为什么需要保存模型？
这个问题我问过不少新手，答案五花八门。其实核心原因就三个：
- 断点续训：训练到一半挂了，或者你想换个GPU继续跑。我遇到过训练了12小时，结果机房断电——幸好有checkpoint，只丢了最后5分钟的数据。
- 模型部署：训练好的模型要放到服务器、手机、嵌入式设备上跑。你不能每次都重新训练吧？
- 版本管理：你可能想对比不同超参数下的模型效果，或者回滚到某个表现更好的版本。
我的经验：在工业级项目中，我通常会同时保存多个checkpoint。比如每5个epoch保存一次，保留最近5个。这样既能回溯，又不会占太多磁盘空间。
1.3 SavedModel vs HDF5：到底选哪个？
好，接下来是今天的重头戏。TensorFlow支持两种主流格式：SavedModel 和 HDF5。我经常被问到「到底该用哪个」，我的回答是——看场景。
| 对比维度 | SavedModel | HDF5 (.h5) |
|---|---|---|
| 格式类型 | 目录结构（包含pb文件、变量、assets） | 单个二进制文件 |
| 跨语言支持 | ✅ Python、C++、Java、Go、JavaScript | ❌ 仅Python（Keras原生） |
| TensorFlow Serving | ✅ 原生支持 | ❌ 需要转换 |
| 自定义层/损失 | ✅ 支持（需注册） | ⚠️ 部分支持（可能报错） |
| 文件大小 | 稍大（包含元数据） | 较小 |
| 加载速度 | 快（支持懒加载） | 中等 |
1.4 实战对比：代码走一波
光说不练假把式。咱们直接上代码，看看两种格式怎么用。
1.4.1 保存为HDF5格式
import tensorflow as tf
# 构建一个简单的模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
# 训练...（省略数据加载）
# model.fit(x_train, y_train, epochs=10)
# 保存为HDF5
model.save('my_model.h5') # 单个文件，方便拷贝
# 恢复模型
restored_model = tf.keras.models.load_model('my_model.h5')
注意：HDF5格式有个坑——如果你用了自定义层或自定义损失函数，加载时可能会报错。我曾经在项目中写了一个自定义的Focal Loss，保存成.h5后加载失败，折腾了半天才发现需要传custom_objects参数。
1.4.2 保存为SavedModel格式
# 同样的模型，保存为SavedModel
model.save('saved_model/my_model') # 会生成一个目录
# 恢复模型
restored_model = tf.keras.models.load_model('saved_model/my_model')
# 查看目录结构
import os
print(os.listdir('saved_model/my_model'))
# 输出: ['assets', 'variables', 'saved_model.pb']
你看，SavedModel保存后是一个目录，里面包含：
saved_model.pb：网络结构和计算图variables/：权重参数文件assets/：额外资源（比如词汇表）
1.5 我的选择建议
说了这么多，到底怎么选？我个人总结了一套规则：
- 如果你只是做实验、写论文：用HDF5就够了，简单方便，一个文件搞定。
- 如果你要部署到生产环境：必须用SavedModel。TensorFlow Serving、TensorFlow Lite、TensorFlow.js都只认这个格式。
- 如果你要跨语言调用：SavedModel是唯一选择。C++、Java、Go都能直接加载。
- 如果你有自定义组件：两种格式都行，但SavedModel更稳定。我建议你养成习惯，把自定义层注册到Keras的注册表中。
小技巧：其实你可以同时保存两种格式。我经常在训练结束后，先保存一个.h5方便本地调试，再保存一个SavedModel用于部署。反正磁盘空间又不贵，对吧？
1.6 避坑指南
最后，分享几个我踩过的坑：
- 版本兼容性：用TensorFlow 2.x保存的模型，不一定能在1.x上加载。反过来也一样。我建议你统一版本，或者至少记录下保存时的TF版本。
- 自定义对象：如果你用了自定义层、损失函数或指标，加载时一定要传
custom_objects参数。否则会报ValueError: Unknown layer。 - 文件路径：SavedModel保存时，路径不要带空格和中文。我在Windows上吃过这个亏，路径里有中文，结果加载失败。
- 模型签名：SavedModel支持定义多个签名（serving_default、classify、predict等）。如果你要部署到TensorFlow Serving，建议显式指定签名，避免默认行为不符合预期。
好了，这一章就到这里。下一章咱们聊聊如何用TensorFlow Serving把SavedModel部署成RESTful API服务。到时候你会明白，为什么我这么推崇SavedModel格式。