TF2.8+Python3.10下Normalization层无法pickle序列化报错

• TensorFlow 2.8 重构了预处理层的adapt方法执行逻辑：PreprocessingLayer.make_adapt_function在运行时会动态生成局部嵌套闭包adapt_step，这个闭包绑定了适配阶段的临时计算图上下文、张量引用，不属于Python可序列化的顶层可导入对象。
• Python 3.10 同步收紧了pickle模块对局部嵌套函数的序列化校验规则，低版本中存在的隐式兼容路径被移除，即便使用dill这类扩展序列化库，也无法正确解析绑定了TensorFlow动态图状态的闭包引用。
• 报错AttributeError: Can't pickle local object 'PreprocessingLayer.make_adapt_function.<locals>.adapt_step'的本质是pickle扫描待序列化对象的属性引用时，发现Normalization层实例仍持有这个局部闭包的指针，直接终止序列化流程。

不要直接用pickle序列化Keras层实例，TensorFlow本身提供了稳定的原生序列化支持，根据使用场景选对应方案即可：

方案1：保存完整层实例（推荐） #

调用Keras原生save接口将层存储为SavedModel格式，后续加载即可直接得到带完整均值、方差参数的可用层，不需要额外手动处理参数：

import tensorflow as tf

# 训练适配阶段
Y_normalizer = tf.keras.layers.experimental.preprocessing.Normalization()
Y_normalizer.adapt(Y_train_raw)
# 保存层
Y_normalizer.save("Y_normalizer_model")

# 后续加载使用
loaded_normalizer = tf.keras.models.load_model("Y_normalizer_model")
# 可直接通过 loaded_normalizer.mean、loaded_normalizer.variance 读取存储的统计参数

方案2：仅提取核心参数轻量存储 #

如果只需要复用均值、方差两个统计值，不想存储完整的模型结构文件，可以直接把适配好的参数提取出来，用pickle/numpy/json等任意格式存储，使用时重新初始化层再回填参数即可：

import pickle
import tensorflow as tf

# 适配完成后提取参数
normalizer_config = {
    "mean": Y_normalizer.mean.numpy(),
    "variance": Y_normalizer.variance.numpy()
}
# 仅存储字典参数，不存在闭包引用问题
with open("Y_normalizer_params.pkl", "wb") as f:
    pickle.dump(normalizer_config, f)

# 后续使用时重建层
with open("Y_normalizer_params.pkl", "rb") as f:
    loaded_config = pickle.load(f)
restored_normalizer = tf.keras.layers.experimental.preprocessing.Normalization(
    mean=loaded_config["mean"],
    variance=loaded_config["variance"]
)

注意：不要尝试手动删除层实例中的adapt_step引用后再用pickle序列化，会破坏层的内部状态，加载后大概率无法正常执行前向计算。所有调用过adapt方法的Keras预处理层，都建议使用上述两种原生方案存储。

内容的提问来源于stack exchange，提问作者Linmei Shang