必须先确认模型支持tflite量化路径，因含自定义层、动态shape或高级api（如return_sequences=true的rnn）的keras模型易报错；需静态输入shape、注册自定义层、启用experimental_enable_resource_variables，并提供匹配签名的representative_dataset才能成功int8量化。
转换前必须确认模型是否支持TFLite量化路径
不是所有Keras模型都能直接转成TFLite，尤其涉及自定义层、动态shape或某些高级API（如tf.keras.layers.RNN带return_sequences=True）时，converter.convert()会直接报错或生成不可用的模型。最稳妥的做法是先用tf.lite.TFLiteConverter.from_keras_model()加载，再检查converter.experimental_enable_resource_variables = True是否启用——这是3.10+中处理变量权重的关键开关。
- 如果模型含
tf.keras.layers.Lambda，确保其内部只调用TFLite支持的OP（比如别用tf.py_function） - 输入shape必须静态：不能用
None占位符，例如input_shape=(224, 224, 3)而非(None, 224, 224, 3) - 保存模型时优先用
model.save('model.h5')或model.save('model_dir', save_format='tf')，避免用tf.keras.models.load_model()加载SavedModel后又出兼容问题
使用TFLiteConverter时必须显式设置target_spec
Python 3.10下TensorFlow 2.10+默认不启用新算子集，不设target_spec会导致转换后模型在Edge TPU或旧Android设备上运行失败。重点不是“能不能转”，而是“转完能不能跑”。
- 基础转换：设置
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS] - 需FP16精度：加
tf.lite.OpsSet.TFLITE_BUILTINS_FP16，但注意GPU delegate仅部分支持 - 部署到Edge TPU：必须用
tf.lite.OpsSet.EXPERIMENTAL_TFLITE_BUILTINS_ACTIVATIONS_INT16_WEIGHTS_INT8，且模型需先做INT8量化
INT8量化需要校准数据且不能跳过representative_dataset
converter.optimizations = [tf.lite.Optimize.DEFAULT]只是开关，真正触发INT8量化靠representative_dataset。没它，TFLite会静默回退到FP32，体积和速度都没改善。校准数据必须真实、小批量（32–100张图足够），且shape、dtype要和训练时一致。
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 数据生成函数必须返回
tf.data.Dataset或可迭代对象，每个元素是(input_tensor,)元组 - 输入tensor dtype必须为
tf.float32，哪怕模型本身是tf.int8输入；TFLite converter内部会自动cast - 常见错误：
ValueError: Cannot set tensor: Got tensor of type FLOAT32 but expected type UINT8——说明representative_dataset里传了uint8数据，得改回float32
验证.tflite文件是否真能执行
生成.tflite文件不等于可用。必须用tf.lite.Interpreter加载并试跑一次推理，否则上线后才发现RuntimeError: tensorflow/lite/kernels/conv.cc:362 t->dims->data[0] != 1这类维度崩溃就晚了。
- 检查输入输出tensor：用
interpreter.get_input_details()确认shape和dtype，特别是batch维度是否被折叠 - 测试最小输入：比如
input_data = np.random.random((1, 224, 224, 3)).astype(np.float32)，别用全零或全一数据（可能触发除零或梯度消失） - 安卓端部署前，务必用
adb shell跑tflite_benchmark工具测延迟，有些OP在ARM CPU上比预期慢10倍
最容易被忽略的是模型输入预处理逻辑——TFLite里没有tf.keras.applications.mobilenet.preprocess_input这种封装，归一化必须手动写进推理代码，否则准确率断崖下跌。
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！
