Python 将Keras模型转换为可用于边缘TPU的量化Tensorflow Lite模型

我有一个Keras模型，我想在Coral Edge TPU设备上运行。要做到这一点，它需要是一个全整数量化的Tensorflow Lite模型。我能够将模型转换为TFLite模型：

model.save（'keras_model.h5'））
converter=tf.lite.TFLiteConverter.from_keras_model_文件（“keras_model.h5”）
tflite_model=converter.convert（）
打开（“转换的_模型.tflite”，“wb”）.write（tflite_模型）

但是，当我运行

edgetpu\u compiler converted\u model.tflite

时，会出现以下错误：

Edge TPU Compiler version 2.0.267685300
Invalid model: converted_model.tflite
Model not quantized

这是因为我需要量化模型，但我不确定如何做到这一点。我发现它告诉我怎么做，但它想让我做一个输入数据生成器。这是它提供的示例：

def representative_dataset_gen（）：
对于范围内的（校准步数）：
#在您选择的方法中以numpy数组的形式获取示例输入数据。
产量[投入]

---

如何调整此代码以处理输入数据？

num\u校准步骤从何而来？有更好的方法吗？（我看到了
tf.contrib.tpu.keras\u到\u tpu\u模型的引用
，但它已被弃用）
我相信
num\u calibration\u steps
只是转换器使用rep set确定量化级别的次数。只是一个猜测，但它可能会多次从您的代表集中进行子采样（自举或自切）。我自己仍在研究整个过程，但如果我只为每个产量传递一张图像，并在大约100处使用
num\u calibration\u steps
（例如，100张代表性图像），这似乎对我有效。你可以看到我的演示脚本

关键部分是：

image_shape = (56, 56, 32)

def representative_dataset_gen():
    num_calibration_images = 10
    for i in range(num_calibration_images):
        image = tf.random.normal([1] + list(image_shape))
        yield [image]

另见我对这个问题的类似回答：
我做了更多的测试。似乎代表性的_dataset_gen（）必须以我描述的格式生成一个且仅一个图像。因此，没有自举或jackknifing。num_calibration_steps变量可能更适合命名为num_calibration_images。虽然没有什么可以阻止某人多次使用相同的图像，所以我想num_calibration_步骤仍然有效，并且是一个更一般的描述。