HDF5格式仅支持序列化可静态描述的对象，混入lambda、闭包、自定义函数等不可序列化对象会导致model.save(..., save_format='h5')失败；推荐改用默认SavedModel格式（model.save('path')），它通过Protocol Buffer保存完整计算图，天然兼容子类化模型与自定义层（需实现get_config/from_config）。
TensorFlow 2.x 保存 h5 模型报序列化错误，绝大多数情况是因为模型里混入了无法被 HDF5 序列化的 Python 对象（比如自定义函数、lambda、闭包、非标准层类实例），而不是模型结构本身有问题。
为什么 model.save(..., save_format='h5') 会失败？
HDF5 格式只支持序列化“可静态描述”的对象：层类名、权重张量、配置字典（get_config() 返回值）、权重值（get_weights()）。一旦你在模型中用了以下任一写法，save 就会抛出 TypeError: can't pickle ... 或 NotImplementedError: Saving the model to HDF5 format requires the model to be a Functional model or a Sequential model：
- 用
tf.keras.layers.Lambda包裹了带闭包的函数（例如引用了外部变量scale_factor） - 自定义层的
__init__或call中直接传入不可序列化的 Python 函数（如functools.partial、lambda） - 模型输入/输出张量来自非标准构建方式（如手动拼接
tf.concat后未封装为层） - 使用了
tf.keras.Model子类化模型但没正确实现get_config()和from_config()
绕过 h5、改用 SavedModel 是最稳妥的解法
tf.keras.models.save_model(..., save_format='tf')（默认格式）不依赖 HDF5，而是用 Protocol Buffer + 检查点保存完整计算图和变量，天然支持子类化模型、自定义对象（只要它们实现了 get_config）、甚至 @tf.function 装饰的 call 方法。你几乎不需要改代码：
- 把
model.save('my_model.h5')改成model.save('my_model')（路径不带扩展名） - 加载时用
tf.keras.models.load_model('my_model')，不是load_model('my_model.h5') - 确认你的自定义层已实现
get_config（返回纯 Python 字典）和from_config（重建实例）——否则 SavedModel 也会失败
非要保存为 h5？必须清理所有“活对象”
如果部署环境强制要求 .h5（比如旧版 TensorFlow.js 或某些嵌入式推理引擎），你得手动剥离动态逻辑：
立即学习“Python免费学习笔记（深入）”；
- 把
Lambda层换成等效的原生 Keras 层（例如用tf.keras.layers.Multiply替代Lambda(lambda x: x * scale)） - 避免在层构造时传函数：不要
MyLayer(transform_fn=lambda x: x**2)，改为把参数拆成显式字段（如power=2），并在call中硬编码逻辑 - 检查模型是否是纯
Functional或Sequential：运行isinstance(model, tf.keras.models.Sequential) or isinstance(model, tf.keras.models.Model) and not hasattr(model, 'call')；若为True，再确认所有中间张量都来自Layer实例输出，而非裸tf.xxx运算
真正麻烦的不是怎么保存，而是保存后能否在另一台机器、另一个 Python 进程里完整复现行为——SavedModel 把这个问题封进了格式里，而 h5 把它甩给了你。别为了一个文件后缀去重写整个模型的数据流逻辑。
