与python模型相比，tensorflow lite模型给出了非常不同的精度值

我使用的是tensorflow 1.10 Python 3.6

我的代码基于TensorFlow提供的premade。这意味着，我使用的是Tensorflow DNN预制分类器，区别如下：

• 10个功能，而不是4个
• 5节课，而不是3节课

可从以下链接下载测试和培训文件：

我已经编写了一个代码，将这个分类器导出为tflite格式，但是python模型中的精度高于75%，但是当导出时，精度降低到大约45%，这意味着大约30%的精度丢失（这太多了）。 我用不同的数据集尝试了代码，在所有这些代码中，导出后的精度都会降低很多！ 这让我觉得TocoConverter函数出了问题，或者可能是我导出到tflite时出错了，丢失了一个参数或类似的东西

这是我生成模型的方式：

classifier = tf.estimator.DNNClassifier(
        feature_columns=my_feature_columns,
        hidden_units=[100, 500],
        optimizer=tf.train.AdagradOptimizer(learning_rate=0.003),
        n_classes=num_labels,
        model_dir="myModel")

这是我用来转换为tflite的函数：

converter = tf.contrib.lite.TocoConverter.from_frozen_graph(final_model_path, input_arrays, output_arrays, input_shapes={"dnn/input_from_feature_columns/input_layer/concat": [1, 10]})
        tflite_model = converter.convert()

我分享了完整的代码，其中我还计算了生成的.tflite文件的准确性。

import argparse
导入tensorflow作为tf
作为pd进口熊猫
导入csv
从tensorflow.python.tools导入冻结图
从tensorflow.python.tools导入针对推理库的优化
将numpy作为np导入
parser=argparse.ArgumentParser（）
add_参数（'--batch_size'，default=100，type=int，help='batch size'））
add_参数（'--train_steps'，默认值=1000，type=int，
帮助='培训步骤数'）
功能\u全局=无
特征规格=无
模型名称='myModel'
def加载数据（列车路径、测试路径）：
“”“将iris数据集返回为（序列号x，序列号y），（测试序列号x，测试序列号y）。”
开放式（列车路径，新线=''）为f:
读卡器=csv。读卡器（f）
列名称=下一个（读卡器）
y_name=列名称[-1]
列车=pd.read\u csv（列车路径，名称=列名称，标题=0）
train\u x，train\u y=train，train.pop（y\u名称）
test=pd.read\u csv（test\u路径，name=column\u name，header=0）
test\u x，test\u y=test，test.pop（y\u名称）
返回（列车x，列车y），（测试列车x，测试列车y）
def序列输入（特征、标签、批次大小）：
“”“用于培训的输入函数”“”
#将输入转换为数据集。
dataset=tf.data.dataset.from_tensor_切片（（dict（特征），标签））
#洗牌、重复和批处理示例。
dataset=dataset.shuffle（1000）.repeat（）.batch（批大小）
#返回数据集。
返回数据集
def eval_输入_fn（特征、标签、批次大小）：
“”“用于计算或预测的输入函数”“”
功能=dict（功能）
如果标签为“无”：
#无标签，仅使用特征。
输入=特征
其他：
输入=（特征、标签）
#将输入转换为数据集。
dataset=tf.data.dataset.from_tensor_切片（输入）
#批处理示例
断言批次大小不是无，“批次大小不能是无”
dataset=dataset.batch（批次大小）
#返回数据集。
返回数据集
def总管（argv）：
args=parser.parse_args（argv[1:]）
列车路径=“trainData.csv”
test_path=“testData.csv”
#获取数据
（列车x，列车y），（测试列车x，测试列车y）=负载数据（列车路径，测试列车路径）
#装载标签
num_标签=5
#功能列描述如何使用输入。
my_feature_columns=[]
对于车内钥匙×钥匙（）：
my\u feature\u columns.append（tf.feature\u column.numeric\u column（key=key））
#构建2个隐藏层DNN
分类器=tf.estimator.DNNClassifier(
功能列=我的功能列，
隐藏单位=[100500]，
优化器=tf.train.ADAGRAD优化器（学习率=0.003），
#模型必须在“num_标签”类之间进行选择。
n_类=num_标签，
model_dir=“myModel”）
#训练模型
列车(
输入\ fn=λ：列\输入\ fn（列\ x，列\ y，
参数。批次大小），
步骤=参数训练（步骤）
#评估模型。
eval_结果=分类器.evaluate(
输入fn=λ：评估输入fn（测试x，测试y，
参数。批次（单位尺寸）
打印（'\n测试集精度：{精度：0.3f}\n'。格式（**eval_结果））
#出口模式
feature\u spec=tf.feature\u column.make\u parse\u example\u spec（my\u feature\u columns）
SERVICE\u input\u fun=tf.estimator.export.build\u parsing\u SERVICE\u input\u receiver\u fn（功能规格）
保存的\u模型\u路径=分类器.export\u保存的模型(
export\u dir\u base=“out”，
服务输入接收器=服务输入乐趣，
当_text=True时，
检查点路径=分类器。最新检查点（），
)
tf.reset_default_graph（）
var=tf.变量（0）
使用tf.Session（）作为sess：
#首先，让我们加载元图并恢复权重
sess.run（tf.global\u variables\u initializer（））
最新检查点路径=分类器。最新检查点（）
saver=tf.train.import_meta_图（最新检查点_路径+'.meta'）
saver.restore（sess、最新检查点路径）
input_数组=[“dnn/input_来自特征列/input_层/concat”]
输出数组=[“dnn/logits/BiasAdd”]
冻结的\u图形\u def=tf.graph\u util.convert\u变量\u到\u常量(
sess，sess.graph_def，
输出节点名称=[“dnn/logits/BiasAdd”]）
freezed\u graph=“out/freezed\u graph.pb”
将tf.gfile.FastGFile（冻结图，“wb”）作为f：
f、 写入（冻结图定义序列化字符串（））
#将原始graphdef保存到文本文件
以open（“estimator_graph.pbtxt”、“w”）作为fp：
fp.write（str（sess.graph_def））
#将冻结的图形定义保存到文本文件
以open（“estimator\u freezed\u graph.pbtxt”、“w”）作为fp：
fp.write（str（冻结图定义））
输入\节点\名称=输入\数组
输出节点名称=