根本原因是加载端TensorFlow版本与保存端不匹配：跨大版本时序列化协议、类结构或optimizer存储方式变更；h5py版本差异导致HDF5模型读取失败；自定义对象未注册；Mac M1/M2架构不兼容x86_64版TensorFlow；Windows缺少Linux训练时引入的GPU专属算子。
TensorFlow生成的模型文件（如saved_model目录、.h5、.pb）本身是跨平台的，但“不兼容”现象几乎总是源于运行时环境差异，而非文件格式问题。
为什么tf.keras.models.load_model()在另一台机器上直接报错？
常见错误如AttributeError: module 'tensorflow' has no attribute 'keras'或ImportError: cannot import name 'get_config'，根本原因不是模型文件坏了，而是加载端的TensorFlow版本与保存端不匹配——尤其是major.minor版本跨跃（如2.11 → 2.15）时，内部序列化协议、layer类结构或optimizer状态存储方式可能已变更。
- TensorFlow 2.12+ 默认启用
tf.keras.saving.get_registered_object新机制，旧版无法反序列化 -
.h5模型依赖HDF5底层，若两台机器的h5py版本差太大（如2.10 vs 3.10），load_model()会静默失败或读出损坏权重 - 自定义层/损失函数若未用
@tf.keras.utils.register_keras_serializable注册，跨环境必然丢失
Mac M1/M2 上加载Linux训练的saved_model为何提示No module named '_pywrap_tensorflow_internal'？
这不是模型问题，而是目标机器缺少对应架构的TensorFlow二进制。Linux上训练用的是x86_64版TensorFlow，而M1默认装的是tensorflow-macos（ARM64），二者so文件完全不兼容。
- 确认加载端TensorFlow是否为原生架构：
python -c "import tensorflow as tf; print(tf.__version__, tf.sysconfig.get_build_info()['cpu_info'])" - Mac Silicon必须用
pip install tensorflow-macos+tensorflow-metal，不能装通用tensorflow - Linux x86_64模型可在Mac Rosetta下运行，但需显式安装
tensorflow（非-macos），且性能损失严重
Windows上加载Linux导出的saved_model报NotFoundError: Op type not registered 'NonMaxSuppressionV5'
这是CUDA算子注册差异导致的。Linux训练时若启用了GPU（即使只用CPU推理），部分op可能被编译进libtensorflow_framework.so；而Windows CPU版TensorFlow未包含这些GPU专属op符号。
立即学习“Python免费学习笔记（深入）”；
- 导出模型前，确保在纯CPU环境下执行：
with tf.device('/CPU:0'):wrapmodel.save() - 避免使用
tf.image.non_max_suppression_with_scores等易触发GPU op的API，改用tf.image.non_max_suppression（CPU安全） - 用
saved_model_cli show --dir path/to/model --all检查signature_def中是否含GPU-only op
真正要警惕的不是“模型文件能不能拷过去”，而是“目标环境有没有能力重建计算图”。跨系统部署前，务必在目标机器上用相同TF版本+相同硬件类型+相同Python小版本，跑一次tf.keras.models.load_model(path, compile=False)再model.compile()验证基础加载通路。
