如何将MobileFaceNet的TFLite模型拆分为单层级TFLite文件？

更高效的方案：添加中间层为模型多输出 #

无需拆分多个独立TFLite文件，直接修改原模型，将需要的中间层输出设为模型的额外输出，重新导出TFLite模型即可。Android端只需加载一个模型，通过runForMultipleInputsOutputs就能同时获取原输出和所有中间特征。

Python代码实现 #

步骤1：查看模型所有张量（确认目标中间层） #

先运行这段代码，打印模型所有张量的名称和索引，确定你需要提取的中间层名称：

import tensorflow as tf

# 加载原MobileFaceNet模型
interpreter = tf.lite.Interpreter(model_path="mobile_face_net.tflite")
interpreter.allocate_tensors()

# 遍历打印所有张量信息
all_tensors = interpreter.get_tensor_details()
for tensor in all_tensors:
    print(f"张量名称: {tensor['name']}, 索引: {tensor['index']}")

步骤2：修改模型并导出带中间输出的新TFLite #

将目标中间层添加为模型输出，重新导出：

import tensorflow as tf

# 替换为你从步骤1中确定的目标中间层名称
target_layer_names = ["Conv2d_1/BiasAdd", "Conv2d_3/BiasAdd"]  # 示例名称，需替换为实际值

def modify_tflite_model(original_model_path, output_model_path, target_layers):
    # 加载原模型
    interpreter = tf.lite.Interpreter(original_model_path)
    interpreter.allocate_tensors()
    
    input_details = interpreter.get_input_details()
    input_shape = input_details[0]['shape']
    input_dtype = input_details[0]['dtype']
    
    # 定义带中间输出的模型函数
    @tf.function(input_signature=[tf.TensorSpec(input_shape, input_dtype)])
    def wrapped_model(input_tensor):
        interpreter.set_tensor(input_details[0]['index'], input_tensor)
        interpreter.invoke()
        
        # 收集输出：原输出 + 目标中间层输出
        outputs = {}
        # 先收集原输出
        for output_det in interpreter.get_output_details():
            outputs[output_det['name']] = interpreter.get_tensor(output_det['index'])
        # 再收集目标中间层
        for layer_name in target_layers:
            tensor_info = next(t for t in interpreter.get_tensor_details() if t['name'] == layer_name)
            outputs[layer_name] = interpreter.get_tensor(tensor_info['index'])
        
        return outputs
    
    # 转换为新的TFLite模型
    converter = tf.lite.TFLiteConverter.from_concrete_functions([wrapped_model.get_concrete_function()])
    converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS, tf.lite.OpsSet.SELECT_TF_OPS]
    new_model = converter.convert()
    
    # 保存新模型
    with open(output_model_path, "wb") as f:
        f.write(new_model)

# 执行修改
modify_tflite_model("mobile_face_net.tflite", "mobile_face_net_with_intermediates.tflite", target_layer_names)

步骤3：Android端适配新模型 #

修改你的Java代码，处理多输出：

/** Model loader **/
@SuppressWarnings("deprecation")
private void loadModel() {
    try {
        // 加载修改后的模型
        String modelFile = "mobile_face_net_with_intermediates.tflite";
        tfLite = new Interpreter(loadModelFile(MainActivity.this, modelFile));
    } catch (IOException e) {
        e.printStackTrace();
    }
}

private MappedByteBuffer loadModelFile(AppCompatActivity activity, String MODEL_FILE) throws IOException {
    AssetFileDescriptor fileDescriptor = activity.getAssets().openFd(MODEL_FILE);
    FileInputStream inputStream = new FileInputStream(fileDescriptor.getFileDescriptor());
    FileChannel fileChannel = inputStream.getChannel();
    long startOffset = fileDescriptor.getStartOffset();
    long declaredLength = fileDescriptor.getDeclaredLength();
    return fileChannel.map(FileChannel.MapMode.READ_ONLY, startOffset, declaredLength);
}

// 初始化输出映射，包含所有输出（原输出+中间特征）
Map<Integer, Object> outputMap = new HashMap<>();
List<Tensor> outputTensors = tfLite.getOutputTensors();

for (Tensor tensor : outputTensors) {
    int[] shape = tensor.shape();
    // 根据张量维度创建对应数组（这里假设是4D特征图，可根据实际调整）
    int totalElements = 1;
    for (int dim : shape) {
        totalElements *= dim;
    }
    float[] outputArray = new float[totalElements];
    outputMap.put(tensor.index(), outputArray);
}

// 运行模型获取所有输出
tfLite.runForMultipleInputsOutputs(inputArray, outputMap);

// 遍历处理每个输出
for (Map.Entry<Integer, Object> entry : outputMap.entrySet()) {
    Tensor tensor = tfLite.getOutputTensor(entry.getKey());
    String layerName = tensor.name();
    float[] featureData = (float[]) entry.getValue();
    // 这里添加你的中间特征处理逻辑
    Log.d("FeatureLog", "Layer: " + layerName + ", Feature Size: " + featureData.length);
}

注意事项 #

• 确保target_layer_names替换为你实际需要的中间层名称，可通过步骤1的代码获取。
• 如果原模型是从SavedModel导出的，直接使用tf.lite.TFLiteConverter.from_saved_model会更稳定，避免TFLite转函数的兼容性问题。
• 部分层可能因TFLite优化被合并，若找不到目标张量，需调整模型优化选项重新导出原模型。

内容的提问来源于stack exchange，提问作者Jiwon Choi