如何编辑TensorFlow Lite的FlatBuffers格式tflite模型文件？

一、阻止转换器优化移除reshape算子（优先使用） #

你在原始模型中插入的reshape属于无实际维度变化的恒等变换类算子，会被TFLite默认的剪枝、算子融合优化逻辑移除，按以下配置修改转换参数即可保留：

import tensorflow as tf

# 加载已插入reshape算子的原始模型
converter = tf.lite.TFLiteConverter.from_saved_model("你的saved_model路径")
# 若你是从Keras模型转换，替换为：
# converter = tf.lite.TFLiteConverter.from_keras_model(keras_model)

# 清空默认优化项
converter.optimizations = []
# 禁用reshape与全连接算子的融合逻辑
converter._experimental_disable_fuse_reshape_and_fully_connected = True
# 全量禁用所有图优化，确保自定义算子结构不被修改
converter.experimental_disable_graph_optimizations = True

# 转换并保存模型
tflite_model = converter.convert()
with open("output_model.tflite", "wb") as f:
    f.write(tflite_model)

转换完成后可以通过tf.lite.Interpreter的算子详情接口确认reshape是否被保留：

interpreter = tf.lite.Interpreter(model_path="output_model.tflite")
print([op["name"] for op in interpreter._get_ops_details()])

二、直接编辑现有TFLite模型文件 #

如果不需要重新转换，可通过TensorFlow官方的flatbuffer工具库修改模型拓扑，无需手动编辑JSON：

• 首先安装依赖：

pip install tflite-support tensorflow

• 编辑模型示例：

from tensorflow.lite.tools import flatbuffer_utils

# 读取原始TFLite模型为可编辑的Python对象
model = flatbuffer_utils.read_model("input_model.tflite")

# 1. 定位目标fullyconnected算子的位置，以及它的输入张量索引
# 2. 新增reshape算子和对应的输出张量，将reshape的输入指向原全连接的输入，reshape的输出指向全连接的新输入
# 3. 更新模型的算子列表、张量列表、算子输入输出索引映射

# 保存修改后的模型
flatbuffer_utils.write_model(model, "modified_model.tflite")

内容的提问来源于stack exchange，提问作者Yuji