Python TensorFlow 1.x上用于优化的TFLiteConverter参数

我一直在学习使用TFLiteConverter在TensorFlow 2.x上进行量化，但是我正在TensorFlow 1.13上实施一个项目，我想知道如何在这个版本上做同样的事情

例如，据我观察，以下命令也做同样的事情

# tf 1.x
converter.post_training_quantize = True

# tf 2.x
converter.optimizations = [tf.lite.Optimize.OPTIMIZE_FOR_SIZE]

---

是这样吗？那么整数量化和量化感知训练如何实现呢？

AFAIK，以下两个是等价的

# tf 1.x
converter.post_training_quantize = True

# tf 2.x
converter.optimizations = [tf.lite.Optimize.DEFAULT]

converter.optimizations=[tf.lite.Optimize.Optimize\u FOR\u SIZE]

用于全整数量化

请注意，与量化感知训练（QAT）相比，训练后量化非常简单，但QAT提供了更高的模型精度。一般建议使用培训后量化。如果培训后量化的性能不符合您的要求，那么选择QAT

正如您可能已经知道的，可以进行多个级别的量化来优化大小和性能。以下指南涵盖了全整数量化和其他技术（浮点量化、浮点16量化等）

以下是遵循QAT指南的最佳资源