使用 tflite_convert 为 Coral 转换 tfLite 的 Frozen 图

Question

我正在使用 MobileNetV2 并试图让它为 Google Coral 工作。除了 Coral Web 编译器之外，一切似乎都正常工作，抛出一个随机错误，Uncaught application failure。所以我认为问题在于所需的中间步骤。例如，我将它与 tflite_convert 一起使用

tflite_convert \
  --graph_def_file=optimized_graph.pb \
  --output_format=TFLITE \
  --output_file=mobilenet_v2_new.tflite \
  --inference_type=FLOAT \
  --inference_input_type=FLOAT \
  --input_arrays=input \
  --output_arrays=final_result \
  --input_shapes=1,224,224,3

我做错了什么？

Answer 1

这很可能是因为您的模型不是quantized。 Edge TPU 设备目前不支持基于浮点的模型推理。 为了获得最佳结果，您应该在训练期间启用量化（在链接中描述）。但是，您也可以在 TensorFlow Lite 转换期间应用量化。

使用训练后量化会牺牲准确性，但可以更快地测试出一些东西。当您将图形转换为 TensorFlow Lite 格式时，将 inference_type 设置为 QUANTIZED_UINT8。您还需要在命令行上应用量化参数（mean/range/std_dev）。

tflite_convert \
  --graph_def_file=optimized_graph.pb \
  --output_format=TFLITE \
  --output_file=mobilenet_v2_new.tflite \
  --inference_type=QUANTIZED_UINT8 \
  --input_arrays=input \
  --output_arrays=final_result \
  --input_shapes=1,224,224,3 \
  --mean_values=128 --std_dev_values=127 \
  --default_ranges_min=0 --default_ranges_max=255

然后您可以将量化的.tflite 文件传递​​给model compiler。

有关 Edge TPU 型号要求的更多详细信息，请查看TensorFlow models on the Edge TPU。