如果您在此处未找到您所关注问题的解答，请查看相关主题的详细文档，或提交 GitHub 议题。
模型转换
从 TensorFlow 到 TensorFlow Lite 的转换支持哪些格式？
这里列出的受支持的格式
为何有些运算未在 TensorFlow Lite 中实现？
为了使 TFLite 保持轻量，TFLite 中只支持某些 TF 算子（列在允许列表中）。
为什么我的模型无法转换？
由于 TensorFlow Lite 运算的数量少于 TensorFlow，因此某些模型可能无法转换。此处列出了一些常见错误。
对于与缺少运算或控制流运算无关的转换问题，请搜索我们的 GitHub 议题或提交新议题。
如何测试 TensorFlow Lite 模型与原始 TensorFlow 模型的行为相同？
测试的最佳方式是比较具有相同输入（测试数据或随机输入）的 TensorFlow 和 TensorFlow Lite 模型的输出，如此处所示。
如何确定 GraphDef 协议缓冲区的输入/输出？
从 .pb 文件检查计算图的最简单方式是使用 Netron，这是一种面向机器学习模型的开源查看器。
如果 Netron 无法打开计算图，您可以尝试 summarize_graph 工具。
如果 summarize_graph 工具产生错误，您可以使用 TensorBoard 可视化 GraphDef 并在计算图中查找输入和输出。要可视化 .pb 文件，请使用 import_pb_to_tensorboard.py 脚本，如下所示：
python import_pb_to_tensorboard.py --model_dir <model path> --log_dir <log dir path>
如何检查 .tflite 文件？
Netron 是可视化 TensorFlow Lite 模型的最简单方式。
如果 Netron 无法打开您的 TensorFlow Lite 模型，您可以尝试我们的仓库中提供的 visualize.py 脚本。
如果您使用的是 TF 2.5 或更高版本，请运行以下代码：
python -m tensorflow.lite.tools.visualize model.tflite visualized_model.html
否则，您可以用 Bazel 运行此脚本
- 克隆 TensorFlow 库
- 使用 Bazel 运行
visualize.py脚本：
bazel run //tensorflow/lite/tools:visualize model.tflite visualized_model.html
优化
如何缩减转换后的 TensorFlow Lite 模型的大小？
转换至 TensorFlow Lite 的过程中可以使用训练后量化以缩小模型尺寸。训练后量化可将权重从浮点量化至 8 位精度，并在运行时对其进行去量化以执行浮点计算。但请注意，这可能会影响准确性。
如果需要重新训练模型，请考虑采用量化感知训练。但请注意，量化感知训练仅适用于卷积神经网络架构的子集。
如需深入了解不同的优化方法，请参见模型优化。
如何针对我的机器学习任务优化 TensorFlow Lite 性能？
优化 TensorFlow Lite 性能的高级过程如下所示：
- 确保您为任务选用了合适的模型。对于图像分类，请查看 TensorFlow Hub。
- 调整线程数。许多 TensorFlow Lite 算子都支持多线程内核。您可以在 C++ API 中使用
SetNumThreads()执行调整。但是，增加线程数会导致性能发生变化，具体取决于环境。 - 使用硬件加速器。TensorFlow Lite 支持使用委托针对特定硬件进行模型加速。请参阅我们的委托指南，了解支持哪些加速器以及如何在设备端模型中使用它们。
- （高级）对模型进行性能分析。TensorFlow Lite 基准测试工具具有内置性能分析器，可显示每个算子的统计信息。如果您了解如何针对您的特定平台优化算子性能，那么您可以实现自定义算子。
有关如何优化性能的更为深入的讨论，请参见最佳做法。