Google Colab加载CNN-LSTM模型报RaggedTensor转Tensor错误求解

你遇到的报错核心原因是TextVectorization层默认输出可变长度的RaggedTensor，经过Conv1D、MaxPooling1D处理后张量仍为Ragged类型，而LSTM层默认不支持RaggedTensor作为输入，模型加载时做类型校验就会触发转换失败的错误。
另外你当前代码还存在一处逻辑笔误：最终输出层直接复用了LSTM的输出x，没有用到后续定义的Dense、Dropout层，会导致你加的这两层完全不生效。

• 方案1：固定TextVectorization输出长度（优先推荐）
  初始化TextVectorization层时指定output_sequence_length参数，强制所有文本输出为固定长度的普通Tensor，从根源避免生成RaggedTensor：

text_vectorizer = tf.keras.layers.TextVectorization(
    max_tokens=你的词汇表大小,
    output_mode="int",
    output_sequence_length=100 # 替换为你的训练数据的最大文本长度即可
)

• 方案2：显式转换RaggedTensor为普通Tensor
  如果不想修改TextVectorization的配置，可以在MaxPooling1D层之后加一层Lambda层，手动把RaggedTensor转为普通Tensor适配LSTM输入：

x = layers.MaxPooling1D(pool_size=2)(x)
# 新增下面一行代码
x = layers.Lambda(lambda t: t.to_tensor() if isinstance(t, tf.RaggedTensor) else t)(x)
x = layers.LSTM(128, dropout=0.2, recurrent_dropout=0.2)(x)

• 修正代码逻辑笔误
  将输出层的输入修改为经过Dense、Dropout处理后的out变量，保证所有层都正常生效：

out = tf.keras.layers.Dense(64, activation='relu')(x)
out = tf.keras.layers.Dropout(0.5)(out)
outputs = layers.Dense(4, activation="softmax")(out) # 原代码此处输入为x，改为out即可

• 优化模型保存加载逻辑
  优先使用TensorFlow官方推荐的SavedModel格式保存模型，不要用h5格式，对自定义层、自定义指标的兼容性更好：

# 保存模型
model.save("cnn_lstm_saved_model")
# 加载模型，无需额外指定custom_objects
loaded_model = tf.keras.models.load_model("cnn_lstm_saved_model")

如果必须使用h5格式保存，加载时要显式传入你自定义的层对象：

loaded_model = tf.keras.models.load_model(
    "你的模型路径.h5",
    custom_objects={
        "text_vectorizer": text_vectorizer,
        "embedding": embedding
    }
)

内容的提问来源于stack exchange，提问作者fendi irfan