to_json()仅保存模型结构不保存权重，需配合save_weights()和model_from_json()+load_weights()才能复原完整模型，且仅支持Sequential和函数式API模型，不支持自定义子类化模型。
to_json() 只能保存模型结构，不保存权重
to_json() 是 tf.keras.Model 实例的方法，它只序列化网络拓扑（层类型、连接关系、输入输出形状等），不包含任何训练好的参数。如果你调用后发现加载回来的模型无法做预测，大概率是因为忘了单独保存和加载权重。
- 必须配合
from_json()+set_weights()或load_weights()才能复原完整模型 - JSON 文件本身是纯文本，可读性强，适合做版本比对或人工检查结构，但不能直接用于部署
- 若模型含自定义层或 Lambda 层，
to_json()会失败并抛出NotImplementedError: Saving the model to JSON is not supported for models containing custom objects
正确调用 to_json() 的前提：必须是函数式 API 或 Sequential 模型
只有由标准 Keras 层构成、且通过 tf.keras.Sequential 或函数式 API（Input + Model）构建的模型才支持 to_json()。子类化模型（继承 tf.keras.Model 并重写 call()）不支持该方法 —— 它没有静态计算图描述，无法转成 JSON。
- ✅ 支持：
model = tf.keras.Sequential([...])或model = tf.keras.Model(inputs=..., outputs=...) - ❌ 不支持：
class MyModel(tf.keras.Model): def call(self, x): ... - 验证方式：打印
type(model)，确认是tensorflow.python.keras.engine.sequential.Sequential或tensorflow.python.keras.engine.functional.Functional
保存 + 加载完整模型的最小可行流程
仅靠 to_json() 不够，需三步闭环：导出结构 → 保存权重 → 重建模型 → 加载权重。下面是最简示例：
# 1. 导出架构为 JSON 字符串
json_str = model.to_json()
<h1>2. 保存权重（推荐 HDF5 格式）</h1><p>model.save_weights('model_weights.h5')</p><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/00968c3c2c15" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Python免费学习笔记（深入）</a>”；</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill9063" title="chartjs-reporter"><img
src="https://img.php.cn/upload/skill/000/000/081/179239514984446.jpg" alt="chartjs-reporter" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill9063" title="chartjs-reporter">chartjs-reporter</a>
<p>此技能用于在用户需要将结构化数据（查询结果、CSV 摘要、JSON 记录或 Python 字典/列表）转换为独立的 HTML 页面时使用。</p>
</div>
<a href="/xiazai/skill9063" title="chartjs-reporter" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div><h1>3. 从 JSON 重建模型（无权重）</h1><p>reconstructed_model = tf.keras.models.model_from_json(json_str)</p><h1>4. 加载权重</h1><p>reconstructed_model.load_weights('model_weights.h5')</p>注意：model_from_json() 返回的是全新模型对象，所有编译状态（如 optimizer、loss）都会丢失，需要手动 compile() 才能训练或评估。
to_json() 输出内容里容易被忽略的细节
生成的 JSON 并非“干净”的层堆叠描述，它包含大量 Keras 内部字段（如 config、class_name、keras_version），不同 TensorFlow 版本间可能存在兼容性问题。
- TensorFlow 2.10+ 默认使用
tf.keras，但若混用keras独立包（pip install keras），to_json()输出可能无法被tf.keras.models.model_from_json()正确解析 - JSON 中的
config.input_shape是模型首次 build 后才有的，如果模型未 build（比如刚实例化 Sequential 但没 call 过），to_json()会报AttributeError: 'NoneType' object has no attribute 'to_json' - 如果模型输入含多个张量（如多输入模型），JSON 中的
input_layers是列表，解析时需确保顺序与原始一致
真正可靠的长期保存方案仍是 model.save('path', save_format='tf')（SavedModel 格式），to_json() 更适合作为调试辅助或轻量结构快照 —— 它省空间、易 diff，但脆弱性高，别把它当主力存档手段。
