Tensorflow 量化感知训练太慢了

我正在尝试使用量化感知训练来训练模型，以便稍后我可以将其转换为用于edge tpu accelerator的quant.tflite。我使用了

ssd\u mobilenet\u v1\u coco

作为我的预训练模型，并下载了

ssd\u mobilenet\u v1\u quantized\u coco

的配置文件。当我删除此项时：

graph_rewriter { 
    quantization {
        delay: 48000
        weight_bits: 8
        activation_bits: 8
    }
}

---

从配置文件中，模型的一个步骤需要0.2秒。使用这条量化线，一个步骤最多需要1.1秒。

您实际上在遵循哪些文档，以便我们可以获得更多的上下文？由于FakeQuantize需要更多的内部操作，量化感知训练预计会更慢。我没有找到合适的文档，所以我正在使用ssd_mobilenet_v1_quantized_coco的配置文件，因为它有量化部分。但它几乎慢了10倍？这很好还是我做错了什么？如果没有更多的背景，真的很难说，但据我所知，这将是缓慢的。我不认为你做错了什么！export\u expression\u graph.py和export\u tflite\u ssd\u graph.py之间有什么区别吗？我的意思是，两者都返回一个冻结的文件，但通过导出推理图导出的文件无法转换为tflite（可以，但我不知道如何转换）。如果您计划将图形转换为tflite模型，则可以使用导出\u tflite\u ssd\u图，如果您只计划使用.pb，则导出推理图就足够了：）