应改用model.save('my_model')（无后缀）保存为SavedModel格式，因其不依赖h5py、无HDF5头限制、跨平台兼容，且是TensorFlow 2.x唯一全链路支持的官方推荐格式。
model.save('my_model.h5') 报错，不是你模型写错了，而是 h5 格式在 TensorFlow 2.x+ 生态里已被官方明确降级为“遗留格式”，底层依赖的 h5py 库与现代 Python（3.8+）和新版本 h5py（≥3.0）存在多层不兼容。直接换用 model.save('my_model')（无后缀）即可绕过所有问题。
h5 保存失败的典型错误和对应原因
报错不是随机的，基本能按现象反推根源：
-
TypeError: a bytes-like object is required, not 'str'：常见于h5py>=3.0+ Python 3.8+，内部对路径或属性名做了字节强制转换，但传入的是 str -
AttributeError: 'str' object has no attribute 'decode'：本质是h5py 3.x错误地对 str 调用了.decode()，Python 3.6+ 必现，降级到h5py==2.10.0可临时缓解 -
RuntimeError: Unable to create attribute (object header message is too large)：HDF5 文件头硬限制 64KB，模型层多、名字长、含大量自定义配置时直接溢出 -
OSError: Unable to open file (No such file or directory)：表面是路径不存在，实际常因h5py初始化失败后静默退出，连文件都没真正创建
为什么 SavedModel 是更稳的选择
TensorFlow 2.x 默认且唯一主推的格式，不走 h5py，所有内容（图结构、权重、签名、assets）打包为 Protocol Buffer + 目录结构：
- 部署友好：
tf.keras.models.load_model('my_model')加载后可直供 TensorFlow Serving、TFLite、Web（TF.js）、iOS（Core ML 转换器）使用 - 无头大小限制：大模型、超深网络、带大量 Lambda 层的模型都能正常保存
- 调试透明：保存后能看到
saved_model.pb、variables/、assets/三个核心部分，出问题可逐层 inspect - 跨平台安全：不依赖 HDF5 C 库，Windows/macOS/Linux 行为一致
如何安全切换并避免踩坑
不是简单把 .h5 改成 .tf 或删后缀就完事，关键在调用路径和加载方式：
- 保存时去掉后缀：
model.save('my_model')→ 生成目录；若坚持用后缀但走 SavedModel，加save_format='tf' - 加载必须用
tf.keras.models.load_model('my_model')，不能用load_model('my_model.h5')—— 后者强制进 h5 分支，哪怕文件名是my_model.tf - 旧 h5 模型要兼容加载？显式指定：
load_model('old.h5', compile=False)，但务必确认环境h5py - 只存权重仍可用：
model.save_weights('weights.h5')是h5py唯一稳定接口，无需改
那些你以为是“小问题”实则很关键的细节
路径权限、文件名长度、父目录是否存在，这些看似外围的问题，在 h5 流程里会放大成静默失败：
立即学习“Python免费学习笔记（深入）”；
-
ValueError: Parent directory of xxx.h5 doesn't exist：不是 h5py 的锅，是 Keras 在保存前不做目录创建，必须手动os.makedirs(os.path.dirname(filepath), exist_ok=True) - 文件名含特殊字符（如
acc=0.92.h5）或过长（>255 字符），某些 HDF5 实现会直接拒绝写入 - 使用 ModelCheckpoint 回调时，
filepath参数若写成'./models/model.h5'但./models/不存在，就会卡住或报 OSError
