Docker下调用MLflow的TensorFlow模型报tensorflow_core缺失错误

核心触发原因是TensorFlow多版本混装导致依赖链路断裂：

• 当前环境同时存在tensorflow 2.8.0（CPU版）、tensorflow-gpu 2.2.0两个不同主版本的TensorFlow安装包，配套的tensorflow-estimator版本为2.2.0，和2.8.0主版本完全不兼容。
• tensorflow_core是TensorFlow 2.0~2.2版本特有的内部顶层模块，2.3及更高版本已经移除该独立模块，所有逻辑合并到tensorflow主包路径下。MLflow加载注册模型时会按照模型保存时记录的模块路径导入依赖，版本不匹配就会抛出模块不存在的错误。

• 第一步：彻底清理当前环境所有冲突的TensorFlow相关依赖，执行以下命令：

pip uninstall -y tensorflow tensorflow-gpu tensorflow-estimator tensorboard tensorflow-io tensorflow-io-gcs-filesystem tensorboard-data-server tensorboard-plugin-wit

• 第二步：根据模型训练保存时使用的TensorFlow版本，安装版本完全匹配的全套依赖，两种方案选其一即可：
  • 若模型是基于TF2.2 GPU版本训练保存，安装2.2系列匹配依赖：

  pip install tensorflow-gpu==2.2.0 tensorflow-estimator==2.2.0 tensorboard==2.2.0 tensorflow-io==0.21.0
  

  • 若要使用TF2.8版本加载模型（注意TF2.1及之后版本已经合并CPU/GPU安装包，无需单独安装tensorflow-gpu），安装2.8系列匹配依赖：

  pip install tensorflow==2.8.0 tensorflow-estimator==2.8.0 tensorboard==2.8.0 tensorflow-io==0.24.0
  

• 第三步：校验依赖安装结果，执行pip list | grep tensorflow，确认输出的所有TensorFlow相关包主版本号完全一致，不存在跨版本混装情况。
• 第四步：清除本地MLflow缓存的旧模型临时文件，重新调用MLflow接口加载模型即可正常运行。

注意：Docker容器内安装依赖时，不要加--user参数，避免出现包安装路径不在Python导入路径内的问题。

内容的提问来源于stack exchange，提问作者EAmir