TensorFlow 模型转换 .pb 转 .lite 实例教程
发布时间：2026-10-13 |
3人浏览过
本文详细介绍如何将现有的 TensorFlow .pb 分类模型转换为适用于移动端的 .lite 格式。通过编译 TensorFlow 源码获取 TOCO 工具，并使用命令行参数指定输入输出节点、形状及数据类型完成转换。文章还提供了查找未知节点的方法，并对比了转换前后模型在 Android 设备上的大小与推理速度，展示 Lite 格式的加速效果。
TensorFlow Lite 模型转换背景
2017年底，TensorFlow 推出了 Lite 版本，旨在实现移动端的快速运行。其中，一个关键问题是如何将现有的分类模型（.pb）转换为 .lite 模型。
具体的转换步骤如下所示。
第一步，进入 TensorFlow 源码文件夹。这样做是为了让 bazel 能够无需额外配置即可找到相应的路径。
PB 转 Lite 转换步骤
第二步，生成转换所需的可执行文件。
bazel run --config=opt \
//tensorflow/contrib/lite/toco:toco -- \
--input_file=/tmp/mobilenet_v1_1.0_224_frozen.pb \ # 待转换模型路径
--output_file=/tmp/tflite_model2.tflite \ # 目标模型路径
--input_format=TENSORFLOW_GRAPHDEF \
--output_format=TFLITE \
--input_shape=1,224,224,3 \ # 输入图像宽高
--input_array=input \ # 输入节点名称<参考1>
--output_array=MobilenetV1/Predictions/Reshape_1 \ # 输出节点名称<参考1>
--inference_type=FLOAT \ # 图像数据类型
--input_data_type=FLOAT查找输入输出节点方法
参考1：如果不知道输入和输出节点，可以进入 Python 环境，导入 tf 模块，并通过以下命令（tf.GraphDef()）进行查找：
>>> import tensorflow as tf
>>> gf = tf.GraphDef()
>>> gf.ParseFromString(open('/your/path/to/graphname.pb','rb').read())
>>> for n in gf.node:
>>> print ( n.name +' ===> '+n.op ) 移动端性能对比结果
转换完成后，在 Android 手机上运行测试。在不考虑精度的前提下，不同实现方式得到的结果对比如下：
| 模型 | type | model size | speed |
|---|---|---|---|
| mobilenet-v1-224 | .pb | 17 mb | 106 ms |
| mobilenet-v1-224 | .lite | 16.4 mb | 72 ms |
以上这篇 TensorFlow 模型转换 .pb 转 .lite 的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持本站。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
