tensorflow剪枝后模型体积不变，因剪枝仅置零权重而不改变存储结构；需strip_pruning后转tflite并启用稀疏支持或结合量化才能压缩体积。
TensorFlow剪枝后模型体积没变小？
剪枝本身不改变 SavedModel 或 HDF5 文件大小，它只把权重置零，实际存储时仍保留完整张量结构。必须导出为稀疏格式或配合量化才能见效。
- 用
tfmot.sparsity.keras.prune_low_magnitude剪枝后，先调用strip_pruning移除剪枝包装器，否则推理会失败 - 真正压缩体积要靠后续步骤：要么转成 TFLite 并启用稀疏权重支持（需硬件/运行时支持），要么在量化前先做
tfmot.sparsity.keras.strip_pruning - 注意：Keras 模型保存为
h5时，零值权重仍占空间；改用save_format="tf"保存为 SavedModel 后再转 TFLite，才可能触发稀疏优化
TensorFlow量化时出现“AttributeError: 'NoneType' object has no attribute 'dtype'”
这是典型输入张量未定义 shape/dtype 导致的错误，常见于动态图模式（eager）下直接对未执行过的模型调用量化转换器。
- TFLiteConverter 需要真实输入示例来推断 tensor shape 和 dtype，必须提供
representative_dataset，哪怕只有一组数据 - 如果模型含自定义层或动态控制流（如
tf.cond），确保representative_dataset能覆盖所有分支路径 - 避免在 eager 模式下调用
converter.convert()前没运行过一次前向——可先用model(input_sample)触发 trace
INT8量化后精度暴跌，怎么选校准数据？
量化误差主要来自激活值分布估计不准，校准数据质量比数量更重要。
- 校准数据应来自真实分布：不能用全零或随机噪声，最好取自验证集的 100–500 张样本（图像任务）或等效长度的序列（NLP）
- 每批次输入必须符合模型训练时的预处理逻辑（归一化、resize、padding 方式完全一致）
- 若任务含长尾分布（如极暗/极亮图像），需按分布采样，否则
tf.quantization.fake_quant_with_min_max_vars会低估范围，导致大量 clipping
剪枝+量化联合部署时，TFLite 推理报 “Op builtin_code out of range”
这是模型中用了较新 ops（如稀疏卷积、混合精度算子），但目标设备的 TFLite runtime 版本太旧。
- 检查 converter.target_spec.supported_ops：默认只启用了基础 ops，剪枝后若残留稀疏张量操作，需显式加入
tf.lite.OpsSet.TFLITE_BUILTINS_INT8和tf.lite.OpsSet.SELECT_TF_OPS（后者慎用，会增大二进制体积） - Android 端务必确认
libtensorflowlite.so版本 ≥ 训练时的 TF 版本，例如 TF 2.15 编译的模型不能跑在 TF Lite 2.12 的 runtime 上 - 最稳妥做法：剪枝后先
strip_pruning→ 再训练微调（few epochs）→ 最后量化 → 转换时设converter.experimental_enable_resource_variables = True（适配变量型层）
