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'。
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。
