本页面提供了在 TensorFlow 2.x 中对 tf.lite.TFLiteConverter
Python API 进行的更新的信息。
注:如果您对任何更改有疑问,请提交 GitHub 议题。
TensorFlow 2.3
- 对于使用新的
inference_input_type
和inference_output_type
特性的整数量化模型,支持整数(之前仅支持浮点数)输入/输出类型。请参阅此示例用法。 - 支持使用动态维度转换和调整模型大小。
- 添加了具有 16 位激活和 8 位权重的新实验性量化模式。
- 对于使用新的
TensorFlow 2.2
- 默认情况下,利用基于 MLIR 的转换(Google 最前沿的机器学习编译技术)。它可以转换新模型类,包括 Mask R-CNN、MobileBERT 等,同时也支持使用函数式控制流的模型。
TensorFlow 2.0 与 TensorFlow 1.x
- 将
target_ops
特性重命名为target_spec.supported_ops
- 移除了以下特性:
- 量化:
inference_type
、quantized_input_stats
、post_training_quantize
、default_ranges_stats
、reorder_across_fake_quant
、change_concat_input_ranges
、get_input_arrays()
。现在,通过tf.keras
API 为量化感知训练提供支持,并且训练后量化使用更少的特性。 - 可视化:
output_format
、dump_graphviz_dir
、dump_graphviz_video
。现在,可视化 TensorFlow Lite 模型的推荐方式是使用 visualize.py。 - 冻结计算图:
drop_control_dependency
,因为 TensorFlow 2.x 不支持冻结计算图。
- 量化:
- 移除了其他转换器 API,如
tf.lite.toco_convert
和tf.lite.TocoConverter
- 移除了其他相关 API,如
tf.lite.OpHint
和tf.lite.constants
(为了减少重复,tf.lite.constants.*
类型已映射到tf.*
TensorFlow 数据类型)
- 将