将您的 TFLite 代码迁移到 TF2

TensorFlow Lite (TFLite) 是一套工具，可帮助开发人员在设备上运行 ML 推理（移动设备、嵌入式设备和物联网设备）。TFLite 转换器是其中一种工具，它将现有的 TF 模型转换为优化的 TFLite 模型格式，可以在设备上高效运行。

在本文件中，您将了解需要对 TF 到 TFLite 转换代码进行哪些更改，然后是一些执行相同操作的示例。

对 TF 到 TFLite 转换代码的更改

如果您使用的是旧版 TF1 模型格式（例如 Keras 文件、冻结的 GraphDef、检查点、tf.Session），请将其更新到 TF1/TF2 SavedModel，并使用 TF2 转换器 API tf.lite.TFLiteConverter.from_saved_model(...) 将其转换为 TFLite 模型（请参阅表 1）。
更新转换器 API 标志（请参阅表 2）。
删除旧版 API，例如 tf.lite.constants。（例如：将 tf.lite.constants.INT8 替换为 tf.int8）

// 表 1 // TFLite Python 转换器 API 更新

TF1 API	TF2 API
`tf.lite.TFLiteConverter.from_saved_model('saved_model/',..)`	支持
`tf.lite.TFLiteConverter.from_keras_model_file('model.h5',..)`	已删除（更新到 SavedModel 格式）
`tf.lite.TFLiteConverter.from_frozen_graph('model.pb',..)`	已删除（更新到 SavedModel 格式）
`tf.lite.TFLiteConverter.from_session(sess,...)`	已删除（更新到 SavedModel 格式）

// 表 2 // TFLite Python 转换器 API 标志更新

TF1 API	TF2 API
`allow_custom_ops` `optimizations` `representative_dataset` `target_spec` `inference_input_type` `inference_output_type` `experimental_new_converter` `experimental_new_quantizer`	支持
`input_tensors` `output_tensors` `input_arrays_with_shape` `output_arrays` `experimental_debug_info_func`	已删除（不支持的转换器 API 参数）
`change_concat_input_ranges` `default_ranges_stats` `get_input_arrays()` `inference_type` `quantized_input_stats` `reorder_across_fake_quant`	已删除（不支持的量化工作流程）
`conversion_summary_dir` `dump_graphviz_dir` `dump_graphviz_video`	已删除（改为使用 Netron 或 visualize.py 可视化模型）
`output_format` `drop_control_dependency`	已删除（TF2 中不支持的功能）

示例

您现在将逐步了解一些示例，将旧版 TF1 模型转换为 TF1/TF2 SavedModels，然后将其转换为 TF2 TFLite 模型。

设置

从必要的 TensorFlow 导入开始。

import tensorflow as tf
import tensorflow.compat.v1 as tf1
import numpy as np

import logging
logger = tf.get_logger()
logger.setLevel(logging.ERROR)

import shutil
def remove_dir(path):
  try:
    shutil.rmtree(path)
  except:
    pass

创建所有必要的 TF1 模型格式。

# Create a TF1 SavedModel
SAVED_MODEL_DIR = "tf_saved_model/"
remove_dir(SAVED_MODEL_DIR)
with tf1.Graph().as_default() as g:
  with tf1.Session() as sess:
    input = tf1.placeholder(tf.float32, shape=(3,), name='input')
    output = input + 2
    # print("result: ", sess.run(output, {input: [0., 2., 4.]}))
    tf1.saved_model.simple_save(
        sess, SAVED_MODEL_DIR,
        inputs={'input': input}, 
        outputs={'output': output})
print("TF1 SavedModel path: ", SAVED_MODEL_DIR)

# Create a TF1 Keras model
KERAS_MODEL_PATH = 'tf_keras_model.h5'
model = tf1.keras.models.Sequential([
    tf1.keras.layers.InputLayer(input_shape=(128, 128, 3,), name='input'),
    tf1.keras.layers.Dense(units=16, input_shape=(128, 128, 3,), activation='relu'),
    tf1.keras.layers.Dense(units=1, name='output')
])
model.save(KERAS_MODEL_PATH, save_format='h5')
print("TF1 Keras Model path: ", KERAS_MODEL_PATH)

# Create a TF1 frozen GraphDef model
GRAPH_DEF_MODEL_PATH = tf.keras.utils.get_file(
    'mobilenet_v1_0.25_128',
    origin='https://storage.googleapis.com/download.tensorflow.org/models/mobilenet_v1_0.25_128_frozen.tgz',
    untar=True,
) + '/frozen_graph.pb'

print("TF1 frozen GraphDef path: ", GRAPH_DEF_MODEL_PATH)

1. 将 TF1 SavedModel 转换为 TFLite 模型

之前：使用 TF1 转换

这是 TF1 风格的 TFlite 转换的典型代码。

converter = tf1.lite.TFLiteConverter.from_saved_model(
    saved_model_dir=SAVED_MODEL_DIR,
    input_arrays=['input'],
    input_shapes={'input' : [3]}
)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()
# Ignore warning: "Use '@tf.function' or '@defun' to decorate the function."

之后：使用 TF2 转换

直接将 TF1 SavedModel 转换为 TFLite 模型，并使用较小的 v2 转换器标志集。

# Convert TF1 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir=SAVED_MODEL_DIR)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
tflite_model = converter.convert()

2. 将 TF1 Keras 模型文件转换为 TFLite 模型

之前：使用 TF1 转换

这是 TF1 风格的 TFlite 转换的典型代码。

converter = tf1.lite.TFLiteConverter.from_keras_model_file(model_file=KERAS_MODEL_PATH)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()

之后：使用 TF2 转换

首先，将 TF1 Keras 模型文件转换为 TF2 SavedModel，然后将其转换为 TFLite 模型，并使用较小的 v2 转换器标志集。

# Convert TF1 Keras model file to TF2 SavedModel.
model = tf.keras.models.load_model(KERAS_MODEL_PATH)
model.save(filepath='saved_model_2/')

# Convert TF2 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir='saved_model_2/')
tflite_model = converter.convert()

3. 将 TF1 冻结的 GraphDef 转换为 TFLite 模型

之前：使用 TF1 转换

这是 TF1 风格的 TFlite 转换的典型代码。

converter = tf1.lite.TFLiteConverter.from_frozen_graph(
    graph_def_file=GRAPH_DEF_MODEL_PATH,
    input_arrays=['input'],
    input_shapes={'input' : [1, 128, 128, 3]},
    output_arrays=['MobilenetV1/Predictions/Softmax'],
)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()

之后：使用 TF2 转换

首先，将 TF1 冻结的 GraphDef 转换为 TF1 SavedModel，然后将其转换为 TFLite 模型，并使用较小的 v2 转换器标志集。

## Convert TF1 frozen Graph to TF1 SavedModel.

# Load the graph as a v1.GraphDef
import pathlib
gdef = tf.compat.v1.GraphDef()
gdef.ParseFromString(pathlib.Path(GRAPH_DEF_MODEL_PATH).read_bytes())

# Convert the GraphDef to a tf.Graph
with tf.Graph().as_default() as g:
  tf.graph_util.import_graph_def(gdef, name="")

# Look up the input and output tensors.
input_tensor = g.get_tensor_by_name('input:0') 
output_tensor = g.get_tensor_by_name('MobilenetV1/Predictions/Softmax:0')

# Save the graph as a TF1 Savedmodel
remove_dir('saved_model_3/')
with tf.compat.v1.Session(graph=g) as s:
  tf.compat.v1.saved_model.simple_save(
      session=s,
      export_dir='saved_model_3/',
      inputs={'input':input_tensor},
      outputs={'output':output_tensor})

# Convert TF1 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir='saved_model_3/')
converter.optimizations = {tf.lite.Optimize.DEFAULT}
tflite_model = converter.convert()

进一步阅读

请参阅 TFLite 指南，详细了解工作流程和最新功能。
如果您使用的是 TF1 代码或旧版 TF1 模型格式（Keras .h5 文件、冻结的 GraphDef .pb 等），请更新您的代码并将您的模型迁移到 TF2 SavedModel 格式。