对于基于 Linux 的嵌入式设备（例如 Raspberry Pi 和使用 Edge TPU 的 Coral 设备），非常适合将 TensorFlow Lite 与 Python 结合使用。
本页介绍如何在几分钟内学会开始使用 Python 运行 TensorFlow Lite 模型。您只需要一个已转换为 TensorFlow Lite 的 TensorFlow 模型。（如果还没有转换的模型，您可以使用随下面链接的示例提供的模型进行实验。）
安装 TensorFlow Lite 解释器
要使用 Python 快速运行 TensorFlow Lite 模型，您只需安装 TensorFlow Lite 解释器，而不需要安装所有 TensorFlow 软件包。
只包含解释器的软件包是完整 TensorFlow 软件包的一小部分，其中只包含使用 TensorFlow Lite 运行推断所需要的最少代码——仅包含 tf.lite.Interpreter Python 类。如果您只想执行 .tflite 模型，而不希望庞大的 TensorFlow 库占用磁盘空间，那么这个小软件包是最理想的选择。
注：如果您需要访问其他 Python API（如 TensorFlow Lite 转换器），则必须安装完整 TensorFlow 软件包。
要安装，请运行 pip3 install，并向其传递下表中适当的 Python wheel 网址。
例如，如果是运行 Raspbian Buster（具有 Python 3.7）的 Raspberry Pi，请使用以下命令安装 Python wheel：
pip3 install https://dl.google.com/coral/python/tflite_runtime-2.1.0.post1-cp37-cp37m-linux_armv7l.whl
使用 tflite_runtime 运行推理
为了将只包含解释器的软件包与完整 TensorFlow 软件包区分开（如果您愿意，可以同时安装两者）, Python 模块在上述 wheel 中提供了命名的 tflite_runtime。
因此，不要从 tensorflow 模块导入 Interpreter 模块，您需要从 tflite_runtime 导入。
例如，安装上述软件包后，如果复制并运行 label_image.py 文件，（可能）会失败，因为您没有安装 tensorflow 库。要解决此问题，请编辑该文件中的下面一行：
import tensorflow as tf
将其改成：
import tflite_runtime.interpreter as tflite
然后更改下面一行：
interpreter = tf.lite.Interpreter(model_path=args.model_file)
将其改成：
interpreter = tflite.Interpreter(model_path=args.model_file)
现在，重新运行 label_image.py。就是这样！您现在执行的正是 TensorFlow Lite 模型。
了解详情
有关 Interpreter API 的更多详细信息，请阅读在 Python 中加载和运行模型。
如果您有 Raspberry Pi，请尝试运行 classify_picamera.py 示例，使用 Pi Camera 和 TensorFlow Lite 执行图像分类。
如果您使用 Coral ML 加速器，请查看 GitHub 上的 Coral 示例。
要将其他 TensorFlow 模型转换为 TensorFlow Lite，请阅读 TensorFlow Lite 转换器。