TensorFlow Lite 转换器

TensorFlow Lite 转换器可根据输入的 TensorFlow 模型生成 TensorFlow Lite 模型（一种优化的 FlatBuffer 格式，以 .tflite 为文件扩展名）。您可以通过以下两种方式使用此转换器：

Python API（推荐）：它让您可以更轻松地在模型开发流水线中转换模型、应用优化、添加元数据，并且拥有更多功能。
命令行：它仅支持基本模型转换。

TFLite 转换器工作流程

Python API

辅助程序代码：若要确定已安装的 TensorFlow 版本，请运行 print(tf.__version__)；若要详细了解 TensorFlow Lite converter API，请运行 print(help(tf.lite.TFLiteConverter))。

如果您已安装 TensorFlow 2.x，会有以下两个选项：（如果您已安装 TensorFlow 1.x，请参阅 GitHub）

使用 tf.lite.TFLiteConverter 转换 TensorFlow 2.x 模型。TensorFlow 2.x 模型是使用 SavedModel 格式存储的，并通过高阶 tf.keras.* API（Keras 模型）或低阶 tf.* API（用于生成具体函数）生成。因此，您有以下三个选项（示例包含在接下来的几节中）：
- tf.lite.TFLiteConverter.from_saved_model()（推荐）：转换 SavedModel。
- tf.lite.TFLiteConverter.from_keras_model()：转换 Keras 模型。
- tf.lite.TFLiteConverter.from_concrete_functions()：转换具体函数。
使用 tf.compat.v1.lite.TFLiteConverter 转换 TensorFlow 1.x 模型（示例位于 GitHub 上）：
- tf.compat.v1.lite.TFLiteConverter.from_saved_model()：转换 SavedModel。
- tf.compat.v1.lite.TFLiteConverter.from_keras_model_file()：转换 Keras 模型。
- tf.compat.v1.lite.TFLiteConverter.from_session()：从会话转换 GraphDef。
- tf.compat.v1.lite.TFLiteConverter.from_frozen_graph()：从文件转换 Frozen GraphDef。如果您有检查点，请先将其转换为 Frozen GraphDef 文件，然后使用此 API（如此处所示）。

转换 SavedModel（推荐）

以下示例演示了如何将 SavedModel 转换为 TensorFlow Lite 模型。

import tensorflow as tf

# Convert the model
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) # path to the SavedModel directory
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

转换 Keras 模型

以下示例演示了如何将 Keras 模型转换为 TensorFlow Lite 模型。

import tensorflow as tf

# Create a model using high-level tf.keras.* APIs
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1]),
    tf.keras.layers.Dense(units=16, activation='relu'),
    tf.keras.layers.Dense(units=1)
])
model.compile(optimizer='sgd', loss='mean_squared_error') # compile the model
model.fit(x=[-1, 0, 1], y=[-3, -1, 1], epochs=5) # train the model
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_keras_dir")

# Convert the model.
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

转换具体函数

以下示例演示了如何将具体函数转换为 TensorFlow Lite 模型。

import tensorflow as tf

# Create a model using low-level tf.* APIs
class Squared(tf.Module):
  @tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.float32)])
  def __call__(self, x):
    return tf.square(x)
model = Squared()
# (ro run your model) result = Squared(5.0) # This prints "25.0"
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_tf_dir")
concrete_func = model.__call__.get_concrete_function()

# Convert the model.
# Notes that for the versions earlier than TensorFlow 2.7, the
# from_concrete_functions API is able to work when there is only the first
# argument given:
# > converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func])
converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func],
                                                            model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

其他功能

应用优化。一种常用的优化是训练后量化，它可以进一步缩短模型延迟时间和减小模型大小，同时最大限度降低准确率损失。
添加元数据，从而在设备上部署模型时可以更轻松地创建平台专用封装容器代码。

转换错误

下面是常见的转换错误及其解决方案：

错误：Some ops are not supported by the native TFLite runtime, you can enable TF kernels fallback using TF Select. See instructions: <a href="https://www.tensorflow.org/lite/guide/ops_select">https://www.tensorflow.org/lite/guide/ops_select</a> TF Select ops: ..., .., ...

解决方案：之所以出现该错误，是因为模型包含缺少对应的 TFLite 实现的 TF 操作。若要解决该错误，您可以使用 TFLite 模型中的 TF 操作（推荐）。如果您想生成一个仅包含 TFLite 操作的模型，您可以在 GitHub 问题 21526 中针对缺失的 TFLite 操作添加请求（如果未提及您的请求，请发表评论），也可以自行创建 TFLite 操作。
错误：.. is neither a custom op nor a flex op

解决方案：如果该 TF 操作符合以下条件：
- 在 TF 中受支持：之所以出现该错误，是因为许可名单（TFLite 支持的 TF 操作的详尽列表）中缺少相应 TF 操作。您可以通过以下方法解决该错误：
  1. 将缺失的操作添加到许可名单。
  2. 将 TF 模型转换为 TFLite 模型，并运行推断。
- 在 TF 中不受支持：之所以出现该错误，是因为 TFLite 不知道您定义的自定义 TF 操作符。您可以通过以下方法解决该错误：
  1. 创建相应 TF 操作。
  2. 将 TF 模型转换为 TFLite 模型。
  3. 创建相应 TFLite 操作，然后通过将其关联到 TFLite 运行时来运行推断。

命令行工具

强烈建议您尽可能使用上文列出的 Python API。

如果您已通过 pip 安装了 TensorFlow 2.x，请按下文所示使用 tflite_convert 命令：（如果您已从源代码安装了 TensorFlow 2.x，可以在接下来的几节中将“tflite_convert”替换为“bazel run //tensorflow/lite/python:tflite_convert --”；如果您已安装了 TensorFlow 1.x，请参阅 GitHub [参考文档、示例]）

tflite_convert - 若要查看所有可用标记，请使用以下命令：

$ tflite_convert --help

`--output_file`. Type: string. Full path of the output file.
`--saved_model_dir`. Type: string. Full path to the SavedModel directory.
`--keras_model_file`. Type: string. Full path to the Keras H5 model file.
`--enable_v1_converter`. Type: bool. (default False) Enables the converter and flags used in TF 1.x instead of TF 2.x.

You are required to provide the `--output_file` flag and either the `--saved_model_dir` or `--keras_model_file` flag.

转换 SavedModel

tflite_convert \
  --saved_model_dir=/tmp/mobilenet_saved_model \
  --output_file=/tmp/mobilenet.tflite

转换 Keras H5 模型

tflite_convert \
  --keras_model_file=/tmp/mobilenet_keras_model.h5 \
  --output_file=/tmp/mobilenet.tflite