Python TF-Lite'的说明；用于量化感知训练的s-Toco转换器args

这些天来，我正试图追踪一个关于部署带有TPU支持的TF模型的错误

我可以在没有TPU支持的情况下运行模型，但一旦启用量化，我就会迷失方向

我的情况如下：

创建了一个模型并对其进行了培训

创建模型的评估图

冻结模型并将结果保存为协议缓冲区

在没有TPU支持的情况下成功转换并部署了它

最后，我使用了TFLiteConverter的Python API。生成函数式tflite模型的脚本是

import tensorflow as tf

graph_def_file = 'frozen_model.pb'
inputs = ['dense_input']
outputs = ['dense/BiasAdd']

converter = tf.lite.TFLiteConverter.from_frozen_graph(graph_def_file, inputs, outputs)
converter.inference_type = tf.lite.constants.FLOAT
input_arrays = converter.get_input_arrays()

converter.optimizations = [tf.lite.Optimize.OPTIMIZE_FOR_SIZE]

tflite_model = converter.convert()

open('model.tflite', 'wb').write(tflite_model)

这告诉我，到目前为止，我的方法似乎还可以。现在，如果我想使用Coral TPU棒，我必须量化我的模型（我在培训期间考虑到了这一点）。我所要做的就是修改我的转换器脚本。我想我必须把它改成

import tensorflow as tf

graph_def_file = 'frozen_model.pb'
inputs = ['dense_input']
outputs = ['dense/BiasAdd']

converter = tf.lite.TFLiteConverter.from_frozen_graph(graph_def_file, inputs, outputs)
converter.inference_type = tf.lite.constants.QUANTIZED_UINT8      ## Indicates TPU compatibility
input_arrays = converter.get_input_arrays()

converter.quantized_input_stats = {input_arrays[0]: (0., 1.)}     ## mean, std_dev
converter.default_ranges_stats = (-128, 127)                      ## min, max values for quantization (?)
converter.allow_custom_ops = True                                 ## not sure if this is needed

## REMOVED THE OPTIMIZATIONS ALTOGETHER TO MAKE IT WORK

tflite_model = converter.convert()

open('model.tflite', 'wb').write(tflite_model)

这个tflite模型在加载解释器的Python API时会产生结果，但我无法理解它们的含义。此外，没有关于如何选择平均值、标准偏差和最小/最大范围的文档（如果有，则隐藏得很好）。此外，在用EdGePuxEng编译器编译它并部署它（用C++ API加载）之后，我收到一个错误：

INFO: Initialized TensorFlow Lite runtime.
ERROR: Failed to prepare for TPU. generic::failed_precondition: Custom op already assigned to a different TPU.
ERROR: Node number 0 (edgetpu-custom-op) failed to prepare.

Segmentation fault

我想我在转换过程中错过了一个标志或其他东西。但是由于这里也缺少文档，我不能肯定

简言之：

参数是什么意思，标准偏差，最小/最大值，以及它们如何相互作用

在转换过程中我做错了什么

我非常感谢您的帮助和指导

---

编辑：我已经打开了一个完整的测试代码。您可以随意使用它。

您不需要手动设置量化统计信息

你试过培训后的量化教程吗

基本上，他们设置了量化选项：

converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.uint8
converter.inference_output_type = tf.uint8

然后，他们将“代表性数据集”传递给转换器，以便转换器可以运行模型几批，以收集必要的统计信息：

def representative_data_gen():
  for input_value in mnist_ds.take(100):
    yield [input_value]

converter.representative_dataset = representative_data_gen

---

虽然有量化训练的选项，但进行训练后量化总是比较容易。

稍后可能会解释这些选项，但根据我的经验，后量化不是很好，只能用于在量化后查看模型的性能。为了最大限度地利用量化例程，您需要执行量化感知训练。@FalconUA：我以为我执行了量化感知训练（参见github链接）。如果你决定写一个答案，也许你可以解释训练后量化和量化感知训练之间的主要区别，因为我对这个问题还不熟悉。那太好了！请参阅此示例可能会有所帮助：请参阅以了解均值和STDEV的解释