Tensorflow mobilenet V1的培训后量化不起作用

我正在尝试将mobilenet V1.pb文件转换为量化的tflite文件。我使用以下命令进行量化：

  tflite_convert \
  --output_file=/home/wc/users/Mostafiz/TPU/models/mobilnet/test2_4thSep/mobilenetv1_test5.tflite \
  --graph_def_file=/home/wc/users/Mostafiz/TPU/models/mobilnet/mobileNet_frozen_graph.pb \
  --output_format=TFLITE \
  --inference_type=QUANTIZED_UINT8 \
  --inference_input_type=QUANTIZED_UINT8 \
  --input_shape=1,224,224,3 \
  --input_array=input \
  --output_array=MobilenetV1/Predictions/Reshape_1 \
  --inference_output_type=QUANTIZED_UINT8 \
  --default_ranges_min=0 \
  --default_ranges_max=6 \
  --std_dev_values=127 \
  --mean_value=128

.tflile文件创建时没有任何错误。但是当我试图使用.tflile进行推理时，输出类就乱七八糟了。没有一个测试图像给出正确的结果

不知道我哪里做错了，有人能帮帮我吗

对于推断，我使用tensorflow提供的“label_image.py”。代码如下：

"""label_image for tflite"""

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
import numpy as np

from PIL import Image

from tensorflow.lite.python import interpreter as interpreter_wrapper

def load_labels(filename):
  my_labels = []
  input_file = open(filename, 'r')
  for l in input_file:
    my_labels.append(l.strip())
  return my_labels

if __name__ == "__main__":
  floating_model = False

  parser = argparse.ArgumentParser()
  parser.add_argument("-i", "--image", default="/tmp/grace_hopper.bmp", \
    help="image to be classified")
  parser.add_argument("-m", "--model_file", \
    default="/tmp/mobilenet_v1_1.0_224_quant.tflite", \
    help=".tflite model to be executed")
  parser.add_argument("-l", "--label_file", default="/tmp/labels.txt", \
    help="name of file containing labels")
  parser.add_argument("--input_mean", default=127.5, help="input_mean")
  parser.add_argument("--input_std", default=127.5, \
    help="input standard deviation")
  args = parser.parse_args()

  interpreter = interpreter_wrapper.Interpreter(model_path=args.model_file)
  interpreter.allocate_tensors()

  input_details = interpreter.get_input_details()
  output_details = interpreter.get_output_details()

  # check the type of the input tensor
  if input_details[0]['dtype'] == np.float32:
    floating_model = True

  # NxHxWxC, H:1, W:2
  height = input_details[0]['shape'][1]
  width = input_details[0]['shape'][2]
  img = Image.open(args.image)
  img = img.resize((width, height))

  # add N dim
  input_data = np.expand_dims(img, axis=0)

  if floating_model:
    input_data = (np.float32(input_data) - args.input_mean) / args.input_std

  interpreter.set_tensor(input_details[0]['index'], input_data)

  interpreter.invoke()

  output_data = interpreter.get_tensor(output_details[0]['index'])
  results = np.squeeze(output_data)

  top_k = results.argsort()[-5:][::-1]
  labels = load_labels(args.label_file)
  for i in top_k:
    if floating_model:
      print('{0:08.6f}'.format(float(results[i]))+":", labels[i])
    else:
      print('{0:08.6f}'.format(float(results[i]/255.0))+":", labels[i])

---

谢谢。

虚拟量化可能无法正常工作，因为我们需要猜测激活函数的默认最大值和默认最小值

正如Sudarsh在评论中提到的，我们应该在训练后进行完整的整数量化，以将.pb转换为INT8 tflite文件

您可以按照此链接从以下内容开始：

希望这有帮助

---

注意。

当模型没有量化时，结果是否令人满意？@Shubham是的，.pb文件给出了完美的结果，事实上，如果我将其转换为tflite而不进行量化，它就会工作。量化有助于减少模型的大小，但其精度会受到影响。是的，我同意，但这并不意味着精度将为0%，我的测试图像都没有给出正确答案，所以出现了一些问题。不确定你在这里尝试了什么：