将 .pb 文件转换为 .tflite 的工作流程
Workflow for converting .pb files to .tflite
概览
我知道这个主题已被讨论过很多次，但我很难理解工作流程，或者更确切地说，工作流程的变体。
例如，假设您要在 Windows10 上安装 TensorFlow。主要目标是训练自定义模型，转换为 TensorFlow Lite，并将转换后的 .tflite 文件复制到 Raspberry Pi 运行 TensorFlow Lite。
我的困惑始于转换过程。在遵循多个指南之后，TensorFlow 似乎通常使用 pip 或 Anaconda 安装。但后来我看到 detailed tutorials 表明它需要从源代码构建才能从 TensorFlow 模型转换为 TFLite 模型。
为了让事情更有趣，我还看到了通过 Python 脚本转换的模型 as seen here。
问题
到目前为止，我已经看到了 3 种进行这种转换的方法，可能只是我没有掌握全貌。以下是我见过的简写方法：
从源代码构建，并使用 TensorFlow Lite 优化转换器 (TOCO)：
bazel run --config=opt tensorflow/lite/toco:toco -- --input_file=$OUTPUT_DIR/tflite_graph.pb --output_file=$OUTPUT_DIR/detect.tflite ...
使用 TensorFlow Lite 转换器 Python API:
converter = tf.lite.TFLiteConverter.from_saved_model(export_dir)
tflite_model = converter.convert()
with tf.io.gfile.GFile('model.tflite', 'wb') as f:
f.write(tflite_model)
使用 tflite_convert CLI 实用程序：
tflite_convert --saved_model_dir=/tmp/mobilenet_saved_model --output_file=/tmp/mobilenet.tflite
我*认为我理解选项 2/3 是相同的，因为安装了 tflite_convert 实用程序，并且可以从命令行或通过 Python 脚本。但是，您应该选择一个而不是另一个的具体原因是什么？
最后，真正让我感到困惑的是选项 1。也许是版本问题（1.x 与 2.x）？但是 TensorFlow Lite 优化转换器 (TOCO) 和 TensorFlow Lite 转换器之间有什么区别。似乎为了使用 TOCO，您必须从源代码构建 TensorFlow，那么您有理由使用一个而不是另一个吗？
只要参数保持不变，不同的转换方式输出的结果是没有区别的。如果您想以自动方式生成 TFLite 模型，Python API 更好（例如 Python 定期 运行 的脚本）。
TensorFlow Lite 优化转换器 (TOCO) 是 TF->TFLite 转换器的第一个版本。它最近被弃用并替换为 new converter that can handle more ops/models. So I wouldn't recommend using toco:toco via bazel, but rather use tflite_convert as mentioned here.
你不应该从源代码构建转换器，除非你正在对其进行一些更改并想要测试它们。
概览
我知道这个主题已被讨论过很多次，但我很难理解工作流程，或者更确切地说，工作流程的变体。
例如，假设您要在 Windows10 上安装 TensorFlow。主要目标是训练自定义模型，转换为 TensorFlow Lite，并将转换后的 .tflite 文件复制到 Raspberry Pi 运行 TensorFlow Lite。
我的困惑始于转换过程。在遵循多个指南之后，TensorFlow 似乎通常使用 pip 或 Anaconda 安装。但后来我看到 detailed tutorials 表明它需要从源代码构建才能从 TensorFlow 模型转换为 TFLite 模型。
为了让事情更有趣，我还看到了通过 Python 脚本转换的模型 as seen here。
问题
到目前为止，我已经看到了 3 种进行这种转换的方法，可能只是我没有掌握全貌。以下是我见过的简写方法：
从源代码构建，并使用 TensorFlow Lite 优化转换器 (TOCO)：
bazel run --config=opt tensorflow/lite/toco:toco -- --input_file=$OUTPUT_DIR/tflite_graph.pb --output_file=$OUTPUT_DIR/detect.tflite ...使用 TensorFlow Lite 转换器 Python API:
converter = tf.lite.TFLiteConverter.from_saved_model(export_dir) tflite_model = converter.convert() with tf.io.gfile.GFile('model.tflite', 'wb') as f: f.write(tflite_model)使用 tflite_convert CLI 实用程序：
tflite_convert --saved_model_dir=/tmp/mobilenet_saved_model --output_file=/tmp/mobilenet.tflite
我*认为我理解选项 2/3 是相同的，因为安装了 tflite_convert 实用程序，并且可以从命令行或通过 Python 脚本。但是，您应该选择一个而不是另一个的具体原因是什么？
最后，真正让我感到困惑的是选项 1。也许是版本问题（1.x 与 2.x）？但是 TensorFlow Lite 优化转换器 (TOCO) 和 TensorFlow Lite 转换器之间有什么区别。似乎为了使用 TOCO，您必须从源代码构建 TensorFlow，那么您有理由使用一个而不是另一个吗？
只要参数保持不变，不同的转换方式输出的结果是没有区别的。如果您想以自动方式生成 TFLite 模型，Python API 更好（例如 Python 定期 运行 的脚本）。
TensorFlow Lite 优化转换器 (TOCO) 是 TF->TFLite 转换器的第一个版本。它最近被弃用并替换为 new converter that can handle more ops/models. So I wouldn't recommend using toco:toco via bazel, but rather use tflite_convert as mentioned here.
你不应该从源代码构建转换器，除非你正在对其进行一些更改并想要测试它们。