基于TensorFlow Hub的MobileNetV2模型加载周期性失效问题求助

方案1：将TF Hub模型下载到本地固定目录构建模型 #

把依赖的MobileNetV2模型下载到本地非临时目录，后续构建和加载自定义模型都基于这个本地路径，彻底脱离临时缓存依赖：

1. 首先设置固定缓存目录，或者手动下载模型到本地：

import os
import tensorflow as tf
import tensorflow_hub as hub

# 指定本地固定目录存储TF Hub模型
local_model_dir = "./local_tfhub_models/mobilenet_v2_feature_vector"
os.makedirs(os.path.dirname(local_model_dir), exist_ok=True)

# 第一次运行会自动下载模型到本地，之后直接复用
if not os.path.exists(local_model_dir):
    hub_layer = hub.KerasLayer("https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/4")
    tf.saved_model.save(hub_layer, local_model_dir)

# 基于本地路径构建自定义模型
base_model = hub.KerasLayer(local_model_dir, input_shape=(224, 224, 3), trainable=False)
custom_model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.Dense(5, activation="softmax")  # 根据你的分类任务调整输出维度
])

# 训练后保存模型
custom_model.save("./model/model_flower.h5")

2. 加载模型时，直接读取本地路径的模型，无需担心临时缓存被清理：

my_reloaded_model = tf.keras.models.load_model(
    "./model/model_flower.h5",
    custom_objects={'KerasLayer': hub.KerasLayer}
)

方案2：使用SavedModel格式保存完整模型 #

TF的SavedModel格式会将自定义模型和依赖的TF Hub子模型打包成一个自包含的目录，完全不依赖外部缓存：

1. 构建模型后，用SavedModel格式保存（不需要加.h5后缀）：

import tensorflow as tf
import tensorflow_hub as hub

# 构建自定义模型
base_model = hub.KerasLayer("https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/4", input_shape=(224, 224, 3), trainable=False)
custom_model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.Dense(5, activation="softmax")
])

# 保存为SavedModel格式（目录形式）
custom_model.save("./model/model_flower_savedmodel")

2. 加载模型时直接读取该目录：

my_reloaded_model = tf.keras.models.load_model(
    "./model/model_flower_savedmodel",
    custom_objects={'KerasLayer': hub.KerasLayer}
)

方案3：修改TF Hub默认缓存目录为固定路径 #

通过设置环境变量，让TF Hub将模型缓存到非临时目录，避免系统自动清理：
在代码开头添加以下配置，指定一个不会被系统清理的目录作为缓存：

import os
# 替换为你自己的固定缓存目录
os.environ["TFHUB_CACHE_DIR"] = "D:/tfhub_permanent_cache"

之后所有TF Hub模型都会缓存到这个固定目录，即使临时目录被清理也不会影响模型加载。

内容的提问来源于stack exchange，提问作者Quat Tran Dang