如何编译仅含模块必要组件的Python代码以缩减体积？

核心问题分析 #

TensorFlow这类大型库存在大量动态依赖与隐式导入逻辑，即便你显式导入单个组件，打包工具也会因库内部的依赖链自动引入整个库，这是编译后体积过大的核心原因。

针对性优化方案 #

1. 用TensorFlow Lite替代完整TensorFlow #

若你的模型可转换为TensorFlow Lite格式，直接使用TFLite运行时能大幅缩减体积：

• 先将训练好的模型转换为.tflite格式：

import tensorflow as tf

# 假设model是训练完成的Keras模型
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# 保存转换后的模型
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

• 运行时仅导入TFLite相关组件：

import tensorflow.lite as tflite

interpreter = tflite.Interpreter(model_path='model.tflite')
interpreter.allocate_tensors()
# 后续执行推理逻辑

TFLite运行时体积仅几十MB，远小于完整TensorFlow库。

2. 手动裁剪TensorFlow依赖（进阶操作） #

若必须使用完整Keras组件，可手动清理TF库中未使用的部分：

• 在干净的虚拟环境安装TF后，删除site-packages/tensorflow下的非必要目录，比如examples、tensorboard、tools等未被代码调用的子模块。
• 打包时用PyInstaller的--exclude-module参数排除明确不需要的模块：

pyinstaller --exclude-module tensorboard --exclude-module tensorflow.examples --exclude-module tensorflow.tools your_script.py

注意：这种方法可能导致运行时错误，需要反复测试确保依赖完整。

3. 用PyInstaller精准收集依赖 #

针对显式导入的组件，指定仅收集必要子模块：

pyinstaller --collect-submodules tensorflow.keras.layers.dense --collect-submodules tensorflow.keras.layers.dropout your_script.py

该方法对TF这类依赖复杂的库效果有限（Dense和Dropout本身依赖TF核心底层模块），但能排除部分无关上层组件。

4. 改用轻量级替代库 #

若模型逻辑简单，可换用更小的库替代TensorFlow：

• 使用独立版Keras Core配合ONNX Runtime，避免引入完整TF。
• 对于简单神经网络，甚至可以用纯NumPy手动实现Dense和Dropout层，完全摆脱TF依赖。

额外优化细节 #

• 打包前务必在干净的虚拟环境操作，只安装代码必需的包，避免冗余依赖。
• 用PyInstaller的--onefile生成单文件后，可使用UPX压缩工具进一步缩减体积：

upx --best your_executable_file

内容的提问来源于stack exchange，提问作者user21571707