Python tf转换器在仍然遇到未解析的自定义op时所有映射

为了将虚拟模型从tf部署到edgetpu板，我已经创建了一个模型，该模型将所有操作传递并映射到edgetpu。然而，当我使用tflite解释器运行推理时，它显示

Traceback (most recent call last):
  File "run_model.py", line 6, in <module>
    interpreter.allocate_tensors()
...
RuntimeError: Encountered unresolved custom op: edgetpu-custom-op.Node number 0 (edgetpu-custom-op) failed to prepare.

我检查过了，tf.add应该能够在cpu或边缘tpu上执行

但一件奇怪的事情是，当我使用visualize.py进行检查时，它显示了以下内容：

Tensors
index   name    type    shape   buffer  quantization
0   input   UINT8   [2, 3]  0   {'quantized_dimension': 0, 'scale': [0.003921], 'details_type': 'NONE', 'zero_point': [0]}
1   out UINT8   [2, 3]  0   {'quantized_dimension': 0, 'scale': [0.027404], 'details_type': 'NONE', 'zero_point': [0]}
Ops
index   inputs  outputs builtin_options opcode_index
0   
[0] 
[1] None    CUSTOM (0)

---

所以，也许我的问题是：为什么加法运算在这里仍然被称为自定义运算？这就是为什么分配张量不能识别它的原因吗？

我也有同样的问题。然后重新阅读：处的说明，发现我丢失了：

添加load_委托库

呼叫代表

---

在这些更改之后，我的模型在Coral板上运行。

我的主要目标是尝试将任何模型部署到edgetpu。关键是，它必须是一个定制的模型，而不是mobilenet或其他流行的东西。现在也可以使用任何可以映射到edgetpu的操作。您是否尝试在edgetpu设备上进行推断？另外，您能否提供有关如何生成模型和进行推理的更多详细信息？据我所知，edgetpu编译过程将模型转换为edgetpu（而不是CPU）只能“接受”的格式。如果希望在CPU上运行相同的模型，则不应为EdgeTPU编译该模型。

Tensors
index   name    type    shape   buffer  quantization
0   input   UINT8   [2, 3]  0   {'quantized_dimension': 0, 'scale': [0.003921], 'details_type': 'NONE', 'zero_point': [0]}
1   out UINT8   [2, 3]  0   {'quantized_dimension': 0, 'scale': [0.027404], 'details_type': 'NONE', 'zero_point': [0]}
Ops
index   inputs  outputs builtin_options opcode_index
0   
[0] 
[1] None    CUSTOM (0)

from tflite_runtime.interpreter import load_delegate

interpreter = Interpreter(model_path,
  experimental_delegates=[load_delegate('libedgetpu.so.1.0')])