TensorFlow跨环境加载DCN排序模型权重预测结果不一致及模型完整保存问题求解

这个问题我之前在做推荐排序模型时也碰到过，结合你的场景，咱们一步步拆解解决：

一、先搞定Colab与本地预测结果不一致的问题 #

虽然你已经对齐了TF相关库的版本，但还有几个容易忽略的点会导致结果差异：

• 固定所有随机种子：训练和预测过程中的随机性是最大的“隐形坑”。不管是Colab训练还是本地预测，都要在代码开头设置全局随机种子，确保初始化、dropout、数据 shuffle 等操作的一致性：

import tensorflow as tf
import numpy as np
import random

# 固定基础随机种子
tf.random.set_seed(42)
np.random.seed(42)
random.seed(42)

# 如果用GPU，强制开启确定性运算（避免GPU并行带来的随机差异）
tf.config.experimental.enable_op_determinism()

• 确保模型结构完全复刻：子类模型（比如你用的DCN）对结构一致性要求极高，本地定义的模型必须和Colab中训练时的模型完全一致——包括所有层的参数、命名、顺序，甚至是__init__和call方法里的每一行逻辑，哪怕是变量名改了都可能导致权重加载错位。

• 统一计算精度：Colab通常用GPU（可能默认FP16混合精度），本地如果用CPU，浮点数计算精度可能有细微差别。可以强制两边都用FP32精度：

tf.keras.mixed_precision.set_global_policy('float32')

二、正确保存/加载子类模型（解决SavedModel警告和序列化问题） #

你的DCN模型属于子类模型（继承tf.keras.Model自定义的），所以HDF5（.h5）和to_json方法确实不支持，这是TensorFlow的设计限制。不过用SavedModel格式是完全可行的，只要解决untraced functions的警告：

保存模型（Colab端） #

在保存前，先给模型喂一个和实际输入形状一致的dummy样本，让TensorFlow追踪到所有自定义函数的计算图：

# 生成符合你模型输入形状的假数据（替换成你的实际输入维度）
# 比如你的模型输入是(None, 100)的特征向量，就生成(1, 100)的dummy
dummy_input = tf.random.uniform(shape=(1, 你的输入特征数量))
# 前向传播一次，让TF追踪计算图
_ = model(dummy_input)

# 保存为SavedModel格式
model.save('dcn_ranking_model')

这样保存的模型就不会有untraced functions的警告，加载后可以直接调用。

加载模型（本地端） #

不需要重新定义模型结构，直接加载即可：

loaded_model = tf.keras.models.load_model('dcn_ranking_model')
# 验证：用相同输入测试
test_input = ...  # 你之前用的测试输入
print(loaded_model(test_input))

三、如果坚持用权重文件（save_weights/load_weights） #

如果还是不想用SavedModel，那必须保证本地模型在加载权重前已经完成构建：

# 本地定义完模型后，先喂dummy input构建模型
dummy_input = tf.random.uniform(shape=(1, 你的输入特征数量))
_ = model(dummy_input)

# 再加载权重
model.load_weights('your_weights_path')

因为子类模型在未进行前向传播前，层的参数是未初始化的，直接加载权重可能导致权重分配错误。

补充说明 #

为什么HDF5和to_json不行？因为子类模型的逻辑是写在Python方法（比如call）里的，这种动态代码无法被HDF5格式安全序列化，而SavedModel会同时保存计算图和权重，是TensorFlow官方推荐的子类模型保存方式。

内容的提问来源于stack exchange，提问作者Meghana S