求助：将重训练图模型转换为TensorFlow Lite格式时出错

嘿，我来帮你搞定重训练图像模型转TensorFlow Lite时遇到的错误问题！先理清楚你已经完成的操作步骤，再给你针对性的排查和解决方法：

你已执行的操作步骤 #

• 步骤1：克隆仓库并进入工作目录

  git clone https://github.com/googlecodelabs/tensorflow-for-poets-2
  cd tensorflow-for-poets-2
  

• 步骤2：下载示例花卉数据集

  curl http://download.tensorflow.org/example_images/flower_photos.tgz \
  | tar xz -C tf_files
  

• 步骤3：配置图像尺寸与模型架构

  IMAGE_SIZE=224
  ARCHITECTURE="mobilenet_0.50_${IMAGE_SIZE}"
  

• 步骤4：启动模型重训练
  （补全了标准重训练命令参数，方便你核对）

  python -m scripts.retrain \
  --bottleneck_dir=tf_files/bottlenecks \
  --model_dir=tf_files/models/ \
  --summaries_dir=tf_files/training_summaries/"${ARCHITECTURE}" \
  --output_graph=tf_files/retrained_graph.pb \
  --output_labels=tf_files/retrained_labels.txt \
  --architecture="${ARCHITECTURE}" \
  --image_dir=tf_files/flower_photos
  

常见转换错误的排查与解决方法 #

1. 模型文件缺失 #

如果转换时提示找不到retrained_graph.pb或retrained_labels.txt，先确认重训练是否正常完成，且文件生成在tf_files目录下。可以用以下命令验证：

ls tf_files/retrained_graph.pb tf_files/retrained_labels.txt

如果文件不存在，需要重新执行重训练步骤，确保过程中没有报错。

2. TensorFlow版本不兼容 #

TensorFlow Lite转换器对TF版本有严格要求，建议使用与重训练时一致的TF版本（推荐TF 2.x系列）。下面是两种常用的转换方式：

• 从SavedModel格式转换（TF 2.x推荐）

  import tensorflow as tf
  
  # 假设你已将重训练模型导出为SavedModel格式
  converter = tf.lite.TFLiteConverter.from_saved_model("tf_files/saved_model")
  tflite_model = converter.convert()
  with open("tf_files/retrained_model.tflite", "wb") as f:
      f.write(tflite_model)
  

• 从冻结.pb文件转换（兼容TF 1.x方式）

  import tensorflow as tf
  
  converter = tf.lite.TFLiteConverter.from_frozen_graph(
      graph_def_file="tf_files/retrained_graph.pb",
      input_arrays=["input"],
      input_shapes={"input": [1, IMAGE_SIZE, IMAGE_SIZE, 3]},
      output_arrays=["final_result"]
  )
  tflite_model = converter.convert()
  with open("tf_files/retrained_model.tflite", "wb") as f:
      f.write(tflite_model)
  

3. 输入输出节点名称错误 #

如果转换时提示找不到指定的输入/输出节点，先确认模型的节点名称。可以用以下命令查看：

saved_model_cli show --dir tf_files/retrained_graph.pb --all

然后在转换器代码中修改input_arrays和output_arrays参数，匹配实际的节点名称。

4. 量化优化引发的错误 #

如果启用了模型量化（比如全整数量化），需要确保校准数据集的格式符合要求。下面是全整数量化的示例代码：

import tensorflow as tf

def representative_data_gen():
  # 加载校准数据集（这里用花卉数据集的前100张图）
  dataset_list = tf.data.Dataset.list_files("tf_files/flower_photos/*/*.jpg")
  for _ in range(100):
    image_path = next(iter(dataset_list))
    image = tf.io.read_file(image_path)
    image = tf.io.decode_jpeg(image, channels=3)
    image = tf.image.resize(image, [IMAGE_SIZE, IMAGE_SIZE])
    image = tf.expand_dims(image, 0)
    yield [image]

# 初始化转换器并配置量化参数
converter = tf.lite.TFLiteConverter.from_frozen_graph(
    graph_def_file="tf_files/retrained_graph.pb",
    input_arrays=["input"],
    input_shapes={"input": [1, IMAGE_SIZE, IMAGE_SIZE, 3]},
    output_arrays=["final_result"]
)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.representative_dataset = representative_data_gen
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.int8
converter.inference_output_type = tf.int8

# 生成量化后的TFLite模型
tflite_quant_model = converter.convert()
with open("tf_files/retrained_model_quant.tflite", "wb") as f:
    f.write(tflite_quant_model)

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