Tensorflow Lite 采坑记

1. 操作符支持有限

   目前Tensorflow Lite中支持的Operator十分有限,导出模型中如果存在不支持的Operator将导致模型无法转换。
   解决方案：

   • 自定义Operator (难度高)
   • 在项目中自己实现相应Operator的算法逻辑 （难度中等）

2. 模型输入尺度固定

   每一个转换的模型都有固定的输入尺寸，而我们的项目中存在多种尺度的输入，如果每一种尺度对应一个的模型，那么将会增加模型的数量和大小，同时也增加了使用难度。
   解决方案：

   1. 通过加载一个model，可以生成N个Interpreter(模型代理对象)，同时Interpreter可以动态ResizeInputTensor,理论上也可以支持N种尺度的输出。

3. 模型大小优化
   移动端对于Model的大小有很高的要求，因此模型优化十分重要。Tensorflow Lite 的模型优化主要依赖于Tensorflow model 的优化。
   主要有两种方案：

   1. 在模型优化的时候使用–transforms=’quantize_weights’，优化后的模型为原始模型的70%左右，压缩率极低，同时会导致模型精度的损失，一般不推荐采用。
   2. 在模型优化的时候使用参数–transforms=’round_weights(num_steps=256)’，优化后的模型和原始模型大小一致，但是在zip 或者 移动端打包的时候压缩率达到70%以上，推荐使用。

4. Tensorflow Lite 默认支持 NHWC，特别要注意模型输入的尺度。
   // input_dims = {1, image_height,image_width,image_channel}
   N— 常量1
   H— image height
   W— image width
   C— image channel

5. tflite::Interpreter的内部属性依赖于tflite::FlatBufferModel。
   Tensorflow Lite 使用过程中需要注意tflite::FlatBufferModel对象和 tflite::Interpreter对象 生命周期的一致性。