使用Pickle转储Keras模型时出现NotFoundError及模型未成功保存问题排查

先帮你揪出代码里的几个核心问题，这就是模型没成功保存、还报错的原因：

• 加载模型时参数传错了：pickle.load(model)这里应该传打开的文件对象file，而不是model变量，这一步直接会导致加载逻辑报错
• 用pickle保存Keras模型本身就不合适：Keras模型包含TensorFlow计算图、权重等复杂的底层结构，pickle这种通用序列化工具没法完整处理这些内容，这就是文件创建了但模型没被正确写入的根本原因，还会引发NotFoundError这类序列化错误

修正后的完整代码 #

Keras官方提供了专门的模型保存/加载API，比pickle靠谱太多，直接用这个就解决问题了：

import os
import tensorflow as tf

# 检查模型文件是否存在（改用.h5格式，这是Keras模型的标准保存格式）
if os.path.exists("trained_model.h5"):
    print("loading trained model")
    # 用Keras官方方法加载完整模型
    model = tf.keras.models.load_model("trained_model.h5")
else:
    print('creating and training a new model')
    model = tf.keras.models.Sequential()
    model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
    model.add(tf.keras.layers.Dense(units=256, activation=tf.nn.relu))
    model.add(tf.keras.layers.Dense(units=256, activation=tf.nn.relu))
    model.add(tf.keras.layers.Dense(units=10, activation=tf.nn.softmax))
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
    model.fit(x_train, y_train, epochs=4)
    # 用官方方法保存完整模型（包含结构、权重、编译配置）
    model.save("trained_model.h5")

额外说明 #

• model.save()会把模型的结构、训练好的权重、甚至编译时的优化器和损失函数配置一起保存，加载后直接就能用，不用重新编译
• 如果只想单独保存权重，可以用model.save_weights("model_weights.h5")，但加载时需要先重建模型结构再调用model.load_weights()，你的场景用完整模型保存更省心
• 另外你原来的代码里pickle.dump(model, file))多了一个右括号，这也是个小语法错误，修正后的代码里已经去掉了

内容的提问来源于stack exchange，提问作者Lars Jacobs