M1 Mac下Tensorflow-Keras跨文件加载已保存模型报错如何解决

报错的核心是输入数据类型与模型保存的调用签名要求不匹配：

• MNIST数据集加载的原始图像数据是uint8类型（取值范围0~255）
• 你保存的SavedModel格式的模型，输入签名要求接收float32类型的张量
• 同文件内加载时TensorFlow会复用运行时上下文做隐式类型转换，不会触发校验；独立文件加载时SavedModel的签名校验是严格模式，因此报错。

只需要在调用predict前，将输入数据转换为float32类型即可，修改后的代码如下：

import tensorflow as tf
import numpy as np

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 新增：转换输入数据类型为float32
x_test = x_test.astype(np.float32)

new_model = tf.keras.models.load_model('num_reader_basic.model')
predictions = new_model.predict(x_test)
print(np.argmax(predictions[0]))

• 方案1：训练时改用HDF5格式保存模型，该格式仅保存模型结构和权重，无严格调用签名校验，无需手动转换输入类型
  训练代码修改保存逻辑：

  # 替换原来的model.save行
  model.save('num_reader_basic.h5')
  

  加载代码直接读取h5文件即可：

  new_model = tf.keras.models.load_model('num_reader_basic.h5')
  

• 方案2：推理时实时转换输入类型，无需修改加载和数据预处理逻辑：

  predictions = new_model.predict(tf.cast(x_test, tf.float32))
  

• 方案3：加载模型后重新编译，重置调用签名校验规则：

  new_model = tf.keras.models.load_model('num_reader_basic.model')
  new_model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
  

内容的提问来源于stack exchange，提问作者Ungku Amer