必须确认模型支持tflite量化路径：tflite不支持tf.keras.layers.lstm等算子及动态shape、未注册自定义层、tf.print等调试算子；需先导出savedmodel，再通过converter.experimental_enable_resource_variables和representative_dataset等配置确保量化可行。
转换前必须确认模型是否支持TFLite量化路径
TFLite不支持所有TensorFlow算子，尤其训练时用了tf.keras.layers.LSTM、tf.nn.softmax_cross_entropy_with_logits或自定义@tf.function装饰的复杂控制流，转换后大概率报Operator not supported错误。先用tf.lite.TFLiteConverter.from_saved_model()尝试基础转换，再检查日志里有没有Didn't find op for builtin opcode这类提示。
实操建议：
- 优先导出
SavedModel格式（而非HDF5），因为TFLite converter对SavedModel兼容性最好 - 若模型含动态shape（如输入
None维度），必须显式调用converter.experimental_enable_resource_variables = True并设置input_shapes - 避免在模型中使用
tf.print、tf.debugging等调试算子，它们无法被TFLite解析
量化是移动端部署的关键步骤，但不能盲目启用
未量化的TFLite模型仍为FP32，体积大、推理慢；但直接开启全整型量化（converter.optimizations = [tf.lite.Optimize.DEFAULT]）会失败，除非你提供校准数据集。常见错误是ValueError: Cannot set tensor: Got value of type FLOAT32 but expected type INT8——这说明输入/输出tensor类型没对齐。
实操建议：
- 仅当模型已冻结且无训练变量时，才启用
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8] - 必须提供校准数据：用
converter.representative_dataset = representative_data_gen，其中representative_data_gen要yield形状匹配的np.uint8或np.float32数组（取决于目标量化类型） - 移动端若需兼容旧设备（如Android 8.0以下），禁用
tf.lite.OpsSet.SELECT_TF_OPS，它会引入额外依赖
验证.tflite文件能否在目标设备上真正运行
tf.lite.Interpreter在PC上能成功加载，不代表Android/iOS能跑。常见坑是：模型用了CONV_2D_TRANSPOSE算子，但旧版TFLite runtime不支持；或输入tensor名字和shape与移动端代码硬编码的不一致，导致interpreter.set_tensor()报IndexError: list index out of range。
实操建议：
- 用
interpreter.get_input_details()和interpreter.get_output_details()打印实际tensor名、shape、dtype，比对移动端JNI调用时传入的参数 - 在Android Studio里用
adb logcat | grep tflite抓取原生层错误，比Python层报错更准确 - 测试时用真实摄像头采集的图像做输入（而非
np.random.rand()），某些量化误差只在特定像素分布下暴露
Android端加载时注意.so库版本与.tflite算子集匹配
如果TFLite模型用了DEQUANTIZE或QUANTIZE算子，但App里引用的tensorflow-lite Gradle依赖是2.8.0，而模型是用tf-nightly导出的，就会出现Failed to load model: Failed to parse the model。这不是模型损坏，而是runtime不识别新增算子。
实操建议：
- Android项目中
implementation 'org.tensorflow:tensorflow-lite:2.15.0'必须与Python环境的tensorflow==2.15.0严格一致 - 若必须用新版TF导出模型，同时又得兼容老设备，改用
converter.target_spec.supported_types = [tf.int8]+converter.inference_input_type = tf.int8，绕开新算子 - 别忽略
libtensorflowlite_gpu_delegate.so这类可选delegate——它可能让模型在部分高通芯片上直接崩溃，先关掉测试基线性能
模型转换不是“导出即完事”，每一步的约束都来自目标设备的runtime能力边界。最常被跳过的环节是校准数据生成和移动端tensor细节核对，而这恰恰决定上线后第一台手机能不能跑起来。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
