无法将训练后的Keras模型转换为TensorFlow Lite 求解决方案

问题根源 #

你在模型编译时使用了自定义的distance指标，TensorFlow Lite转换器无法处理模型中包含的自定义Python训练组件（比如自定义metrics、优化器的学习率调度器状态），这是两种转换方式均失败的核心原因。

解决方案 #

转换TFLite模型时，仅保留模型的推理部分，移除训练相关组件：

1. 重新保存推理专用模型
   训练完成后，保存不含优化器、自定义metrics等训练组件的模型：

   # 训练完成后执行，保存仅用于推理的模型
   model.save('model_inference', include_optimizer=False)
   

   若你已保存了modle_new模型，可先加载再重新保存：

   # 加载原模型，需指定自定义metrics以避免加载错误
   loaded_model = tf.keras.models.load_model('modle_new', custom_objects={'distance': distance})
   # 保存推理模型
   loaded_model.save('model_inference', include_optimizer=False)
   

2. 转换为TensorFlow Lite模型
   使用上述推理模型进行转换：

   converter = tf.lite.TFLiteConverter.from_saved_model('model_inference')
   converter.optimizations = [tf.lite.Optimize.DEFAULT]
   converter.target_spec.supported_types = [tf.float16]
   tflite_model = converter.convert()
   
   # 保存转换后的TFLite模型
   with open('model_float16.tflite', 'wb') as f:
       f.write(tflite_model)
   

额外提示 #

• 注意代码中的拼写错误：modle_new应为model_new，虽不影响转换，但建议修正避免后续路径问题。
• 若需在TFLite中保留指标计算，需将distance实现为tf.keras.metrics.Metric的子类，且所有操作使用TensorFlow原生API实现；不过TFLite主要面向推理场景，移除训练组件是更通用的解决方案。

内容的提问来源于stack exchange，提问作者李嘉浩