TensorFlow 2.13.0下无法以.tf格式保存ConvNeXtTiny模型

方案1：重新构建模型并迁移权重 #

由于原模型内部存在名称为None的可追踪层，导致TF格式保存失败，可通过重新初始化干净的模型并迁移权重来规避：

import tensorflow as tf

# 根据实际情况修改输入形状和类别数
input_shape = (224, 224, 3)
num_classes = 10

# 加载训练好的原模型（或直接使用训练后的model变量）
original_model = tf.keras.applications.convnext.ConvNeXtTiny(
    weights=None, input_shape=input_shape, num_classes=num_classes
)
# 若之前存过H5权重则加载，刚训练完的模型可跳过此步
original_model.load_weights("trained_weights.h5")

# 初始化全新的ConvNeXt模型
new_model = tf.keras.applications.convnext.ConvNeXtTiny(
    weights=None, input_shape=input_shape, num_classes=num_classes
)
# 迁移训练好的权重
new_model.set_weights(original_model.get_weights())

# 保存为TF格式
new_model.save("my_tf_model", save_format="tf")

方案2：手动修复模型中层的None名称 #

遍历模型所有层，将名称为None的层手动命名，避免保存时的转义错误：

import tensorflow as tf

# 初始化并训练模型（你的原有流程）
model = tf.keras.applications.convnext.ConvNeXtTiny(
    weights=None, input_shape=(224, 224, 3), num_classes=10
)
# ... 训练代码 ...

# 遍历修复层名称
for idx, layer in enumerate(model.layers):
    if layer.name is None:
        layer._name = f"convnext_auto_layer_{idx}"

# 保存TF格式模型
model.save("my_tf_model", save_format="tf")

问题原因 #

这个错误源于ConvNeXt模型的部分内部子层在构建时未被正确命名，name属性为None。而TensorFlow的TF格式保存机制依赖可追踪变量的名称转义，当处理None值时，escape_local_name函数会触发AttributeError。H5格式保存不依赖这套追踪逻辑，其他模型（如ResNet、EfficientNet）的层都有合法名称，因此不会出现该问题。

内容的提问来源于stack exchange，提问作者big tree