TensorFlow模型在Docker中部署必须确保环境、版本、路径严格对齐：首选SavedModel格式，锁定TensorFlow与Python小版本，显式挂载模型并设绝对路径，加载时用compile=False，启动前验证本地加载成功。
TensorFlow模型能直接在Docker里跑，但必须确保容器内Python环境、TensorFlow版本、依赖库和模型文件路径全部对齐——版本不匹配或路径错位是90%部署失败的根源。
确认TensorFlow模型导出格式是否适合容器部署
TensorFlow 2.x 默认推荐 tf.saved_model.save() 导出的 SavedModel 格式，这是Docker部署最稳妥的选择。Frozen Graph（.pb）或 Checkpoint（.index+.data）在容器中加载更麻烦，且容易因版本差异报 Op type not registered 错误。
- 检查模型目录下是否有
saved_model.pb文件和variables/子目录 - 避免用
tf.keras.models.load_model()直接加载 h5 文件——h5 不包含计算图结构，在容器中可能丢失自定义层或损失函数 - 如果模型含自定义
@tf.function或 Keras subclass layer，导出时需显式传入signatures参数，否则容器里调用会报SignatureDef not found
Dockerfile 中必须锁定 TensorFlow 版本与 Python 小版本
TensorFlow 的 ABI 兼容性极差：宿主机 pip install 的 tensorflow==2.15.0 和 Docker 里 pip install tensorflow 自动装的 2.16.1 可能导致 Failed to load native TensorFlow runtime。Python 小版本也不能混用（如 3.9.18 vs 3.9.19）。
- 基础镜像选
python:3.9-slim而非python:3.9，减少体积和干扰包 -
RUN pip install --no-cache-dir "tensorflow==2.15.0"—— 必须带双引号且指定完整版本号 - 如果模型用了
tf.data或tf.image，额外加protobuf==4.24.4（TF 2.15 对应的 protobuf 版本），否则容器启动时报Symbol not found: _PyThreadState_UncheckedGet
容器内模型加载路径与权限问题
模型文件挂载进容器后，默认属主是 root，而多数生产镜像以非 root 用户运行（如 USER 1001），会导致 PermissionError: [Errno 13] Permission denied；路径写相对路径（如 ./model）也会因工作目录不一致加载失败。
立即学习“Python免费学习笔记（深入）”；
- 启动容器时用
-v /host/path/to/model:/app/model:ro显式挂载，并在代码中硬编码绝对路径/app/model - Dockerfile 里加
RUN chown -R 1001:1001 /app/model（若 USER 设为 1001） - 加载代码必须用
tf.keras.models.load_model("/app/model", compile=False)——compile=False避免容器里缺失损失函数定义导致报错
暴露服务端口前先验证模型能否本地加载
别急着写 Flask/FastAPI 接口。容器里模型加载成功，才是后续 HTTP 服务可用的前提。很多“500 Internal Server Error”实际是模型加载阶段就静默崩溃了，日志里只显示 Segmentation fault (core dumped)。
- 在 Dockerfile 最后加一行
CMD ["python", "-c", "import tensorflow as tf; m = tf.keras.models.load_model('/app/model', compile=False); print('OK')"]，构建后docker run --rm your-image确认输出 OK - 如果报
OSError: Unable to open file，检查挂载路径是否拼错，或模型目录里是否混入 macOS 的.DS_Store文件（容器里读取会触发权限异常） - GPU 容器必须用
nvidia/cuda:12.2.2-runtime-ubuntu22.04基础镜像 +tensorflow-gpu==2.15.0，且宿主机装好 nvidia-container-toolkit，否则tf.test.is_gpu_available()返回 False 但无提示
真正卡住的往往不是怎么写 Dockerfile，而是模型导出时没测试跨环境加载、容器里没验证 load_model 能否静默通过、或者挂载路径里多了一个空格。
