如何解决TensorFlow加载旧版本Keras模型后预测结果不准确的问题

TF 2.5和2.6的版本差异确实是导致该问题的核心原因。
TF 2.5版本首次将keras_metadata.pb作为Keras模型SavedModel格式的必填校验文件，2.6版本加载模型时会优先校验该文件是否存在，你遇到的警告对应的加载逻辑触发提示为：

WARNING:tensorflow:SavedModel saved prior to TF 2.5 detected when loading Keras model. Please ensure that you are saving the model with model.save() or tf.keras.models.save_model(), NOT tf.saved_model.save(). To confirm, there should be a file named "keras_metadata.pb" in the SavedModel directory.

当检测不到该文件时，加载逻辑会回退到旧版TensorFlow SavedModel的加载路径，该路径不会正确绑定Keras模型的输入张量占位符，容易出现计算图缓存未更新的问题，也就是你遇到的输出固定为旧训练/测试集预测结果、不响应新输入的异常。

• 第一步：先确认保存的模型目录下是否存在keras_metadata.pb文件，如果不存在，说明你保存模型时要么误调用了tf.saved_model.save()接口，要么2.5版本的model.save()触发了兼容bug，没有生成必要的元数据文件。
• 第二步：快速验证兼容性问题：可以搭建TF 2.5版本的虚拟环境，加载模型后运行新测试集，如果预测结果正常，即可确认是跨版本加载导致的异常。
• 第三步：根据你的可操作场景选择修复方案：
  • 场景1：可访问原始训练代码和2.5版本运行环境：直接在2.5环境下执行tf.keras.models.save_model(model, "新保存路径", save_format="tf")，确保新生成的模型目录下有keras_metadata.pb文件，再转移到2.6环境下加载即可正常使用。
  • 场景2：无法访问原始训练环境，仅保留了保存好的模型文件：在2.6环境下加载模型时添加compile=False参数，加载完成后手动重新编译模型，清除旧的计算图缓存即可，示例代码如下：

    # 加载时关闭默认编译逻辑，避免兼容报错
    model = tf.keras.models.load_model("你的模型存储路径", compile=False)
    # 替换为你训练模型时实际使用的优化器、损失函数、评估指标
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3),
        loss=tf.keras.losses.CategoricalCrossentropy(),
        metrics=["accuracy"]
    )
    

    编译完成后再执行预测，即可正常响应新测试集的输入。

内容的提问来源于stack exchange，提问作者omarmnbm