使用pickle保存Keras ANN回归模型报can't pickle weakref objects错误

Keras（TensorFlow后端）的Sequential模型对象内部包含弱引用（weakref）类型的属性，Python标准库pickle不支持序列化这类对象，直接调用pickle.dump()存储整个模型就会触发TypeError: can't pickle weakref objects报错。

不要直接用原生pickle序列化整个Keras模型对象，根据使用场景选以下任意一种方案即可：

方案1：使用Keras原生保存接口（官方推荐） #

Keras自带的保存接口可以完整存储模型结构、权重、训练配置，不存在序列化兼容问题，是优先选择的方案。
将原代码中pickle相关的保存、加载逻辑替换为以下代码即可：

# 先在代码头部导入加载模型的方法
from tensorflow.keras.models import load_model

# 模型训练完成后，替换原pickle保存逻辑
modell.save('model.h5')

# 加载模型
model = load_model('model.h5')

用这种方式加载的模型保留了全部训练配置，不需要重新compile，可以直接用于预测、评估或者继续训练。

方案2：必须使用pickle格式的兼容写法 #

如果业务场景要求必须输出pkl格式文件，可以将模型结构和权重拆分后再用pickle存储，不要直接序列化整个模型对象：

import pickle

# 保存逻辑：拆分模型结构和权重后存储
model_config = modell.to_json()
model_weights = modell.get_weights()
pickle.dump(
    {'config': model_config, 'weights': model_weights},
    open('model.pkl', 'wb')
)

# 加载逻辑：读取后重构模型
from tensorflow.keras.models import model_from_json
saved_data = pickle.load(open('model.pkl', 'rb'))
model = model_from_json(saved_data['config'])
model.set_weights(saved_data['weights'])
# 注意：该方式加载的模型需要重新compile才能用于评估、继续训练
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mean_squared_error'])

内容的提问来源于stack exchange，提问作者CO19 301 Aanchal Bhatti