如何用pickle保存Keras LSTM模型避免重训，遇弱引用无法序列化报错如何解决？

报错原因 #

基于TensorFlow后端的Keras模型包含大量与计算图绑定的弱引用、会话关联对象，这类对象本身不支持pickle序列化，因此直接用pickle转储Keras模型实例必然会触发cannot pickle 'weakref' object报错，普通Python弱引用的序列化方案不适用于该场景。

正确持久化Keras LSTM模型的方案 #

方案1：使用Keras原生H5格式保存（日常开发推荐） #

直接用Keras内置接口保存完整模型，包含网络结构、权重、编译配置，无需依赖pickle。

• 保存代码：

# 模型训练完成后直接调用save方法
model.save('lstm_model.h5')

• 加载代码：

from tensorflow.keras.models import load_model
loaded_model = load_model('lstm_model.h5')
# 加载完成后可直接用于预测、增量训练

方案2：SavedModel格式保存（部署场景推荐） #

如果后续需要对接TensorFlow生态的部署工具，使用官方推荐的SavedModel格式保存：

• 保存代码：

model.save('lstm_saved_model')

• 加载代码：

from tensorflow.keras.models import load_model
loaded_model = load_model('lstm_saved_model')

特殊场景：必须用pickle打包模型和其他数据 #

如果业务逻辑要求必须将模型与其他元数据打包到字典中用pickle转储，可以先将模型序列化到内存字节流再存储：

import pickle
from io import BytesIO

# 序列化模型到内存字节流
model_byteio = BytesIO()
model.save(model_byteio)
model_byteio.seek(0)

# 打包到字典后用pickle存储
mod = {
    'Model': model_byteio.read(),
    # 可添加其他需要同步存储的元数据
    'train_epochs': 1,
    'batch_size': 1
}
with open('lstm_model.pkl', 'wb') as file:
    pickle.dump(mod, file)

# 加载时反向操作即可
with open('lstm_model.pkl', 'rb') as file:
    loaded_mod = pickle.load(file)
loaded_model = load_model(BytesIO(loaded_mod['Model']))

内容的提问来源于stack exchange，提问作者nasc