tf.keras.callbacks.ModelCheckpoint报错：无法将EagerTensor序列化到JSON

算力阿峰

2026-9-27

错误原因

报错是因为你使用了tfa.optimizers.MultiOptimizer和tfa.optimizers.AdamW两类TensorFlow Addons提供的自定义优化器，这类优化器的超参数（学习率、权重衰减值）如果是以EagerTensor类型传入的，Keras的ModelCheckpoint在执行保存逻辑时，会尝试将模型及优化器配置序列化为JSON格式，而原生JSON序列化不支持Tensor类型，因此触发报错。即使你设置了save_weights_only=True，部分版本的Keras依然会尝试序列化优化器配置，所以无法规避问题。

解决方法

方案一：转换超参数为原生Python数值（最简便）
定义AdamW优化器时，将学习率、权重衰减参数用float()包裹，确保传入的是Python原生浮点类型而非Tensor类型，修改优化器定义部分代码即可：
```
optimizers = [
    tfa.optimizers.AdamW(learning_rate=float(lr * .001) , weight_decay=float(wd)),
    tfa.optimizers.AdamW(learning_rate=float(lr), weight_decay=float(wd))
]
```

方案二：使用自定义Checkpoint回调绕开序列化逻辑
不用Keras自带的ModelCheckpoint，自定义回调手动判断最优指标并保存权重，model.save_weights()仅存储权重参数不会触发配置序列化：

best_acc = 0.0
checkpoint_path = os.path.join(os.getcwd(), 'keras_model')
class CustomCheckpoint(tf.keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs=None):
        global best_acc
        current_acc = logs.get('categorical_accuracy')
        if current_acc > best_acc:
            best_acc = current_acc
            self.model.save_weights(checkpoint_path)

# 训练时替换原来的checkpoint_cb
history = model.fit(train_data, validation_data=test_data, epochs=N_EPOCHS, callbacks=[CustomCheckpoint()])