方法1：从TensorFlow源码编译新版tflite-runtime #

由于官方源的tflite-runtime版本滞后，直接编译适配树莓派ARM架构的最新版本是彻底解决兼容问题的方案：

• 安装编译依赖：

  sudo apt-get update && sudo apt-get install build-essential cmake git libatlas-base-dev python3-dev
  

• 拉取TensorFlow 2.19.0源码并切换分支：

  git clone https://github.com/tensorflow/tensorflow.git
  cd tensorflow && git checkout v2.19.0
  

• 配置编译选项：运行./configure，全程选择默认配置即可（若需要NNAPI加速可按需开启）
• 编译tflite-runtime：考虑树莓派内存限制，指定编译任务数（比如2核）：

  # 32位树莓派用elinux_armhf，64位替换为elinux_aarch64
  bazel build --config=elinux_armhf --jobs 2 //tensorflow/lite/python:tflite_runtime
  

• 打包并安装：编译完成后，将生成的文件打包为wheel包，再用pip安装到本地Python环境。

方法2：使用官方预编译的ARM版tflite-runtime #

TensorFlow通过Coral项目提供了适配ARM架构的新版预编译包，无需自行编译：

• 确认树莓派架构：运行uname -m，32位输出armv7l，64位输出aarch64
• 匹配Python版本：Raspbian 11默认是Python 3.9，需下载对应cp39版本的wheel包
• 安装对应版本的包，示例命令：

  # 32位版本
  pip install tflite_runtime-2.19.0-cp39-cp39-linux_armv7l.whl
  # 64位版本
  pip install tflite_runtime-2.19.0-cp39-cp39-linux_aarch64.whl
  

方法3：不重新训练，重新导出模型兼容旧解释器 #

如果暂时无法升级tflite-runtime，可以在TensorFlow 2.19环境下重新导出模型，指定兼容旧版本的算子配置，无需重新训练：

• 修改模型导出代码，添加算子兼容配置（保留原量化设置）：

  import tensorflow as tf
  
  # 加载已训练好的模型
  model = tf.keras.models.load_model("your_trained_model.h5")
  
  converter = tf.lite.TFLiteConverter.from_keras_model(model)
  # 保留原量化配置
  converter.optimizations = [tf.lite.Optimize.DEFAULT]
  # 指定兼容旧版TFLite的算子集
  converter.target_spec.supported_ops = [
      tf.lite.OpsSet.TFLITE_BUILTINS,
      tf.lite.OpsSet.SELECT_TF_OPS
  ]
  # 降低算子版本以适配2.13解释器
  converter.experimental_enable_resource_variables = False
  converter.target_spec.supported_types = [tf.float32]  # 根据你的量化类型调整
  
  # 重新导出模型
  tflite_model = converter.convert()
  with open("compatible_model.tflite", "wb") as f:
      f.write(tflite_model)
  

• 这种方法仅需重新导出，耗时远低于重新训练30个模型，导出后即可在2.13版本的tflite-runtime上运行。

内容的提问来源于stack exchange，提问作者peacer