tensorflow pb to tflite 精度下降

最新推荐文章于 2022-09-02 20:54:19 发布

原创

最新推荐文章于 2022-09-02 20:54:19 发布 · 3.4k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #tflite #移动端 #精度下降

在尝试将TensorFlow模型转换为TFLite以部署于移动端进行OCR任务时，发现模型精度显著下降，无法满足业务需求。经过模型训练、固化为PB文件、再转换为TFLite的流程，无论是在Python的TF Interpreter还是Android端，精度都受到影响。网络结构基于slim库，尽管简单分类问题上表现优秀，但转换后的TFLite模型精度严重下滑。目前问题尚未解决，计划后续深入研究。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

之前希望在手机端使用深度模型做OCR，于是尝试在手机端部署tensorflow模型，用于图像分类。

思路主要是想使用tflite部署到安卓端，但是在使用tflite的时候发现模型的精度大幅度下降，已经不能支持业务需求了，最后就把OCR模型调用写在服务端了，但是精度下降的原因目前也没有找到，现在这里记录一下。

工作思路：1.训练图像分类模型；2.模型固化成pb；3.由pb转成tflite文件；

但是使用python 的tf interpreter 调用tflite文件就已经出现精度下降的问题，android端部署也是一样。

1.网络结构

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf

slim = tf.contrib.slim


def ttnet(images, num_classes=10, is_training=False,
          dropout_keep_prob=0.5,
          prediction_fn=slim.softmax,
          scope='TtNet'):
  end_points = {}

  with tf.variable_scope(scope, 'TtNet', [images, num_classes]):
    net = slim.conv2d(images, 32, [3, 3], scope='conv1')
    # net = slim.conv2d(images, 64, [3, 3], scope='conv1_2')
    net = slim.max_pool2d(net, [2, 2], 2, scope='pool1')
    net = slim.batch_norm(net, activation_fn=tf.nn.relu, scope='bn1')
    # net = slim.conv2d(net, 128, [3, 3], scope='conv2_1')
    net = slim.conv2d(net, 64, [3, 3], scope='conv2')
    net = slim.max_pool2d(net, [2, 2], 2, scope='pool2')
    net = slim.conv2d(net, 128, [3, 3], scope='conv3')
    net = slim.max_pool2d(net, [2, 2], 2, scope='pool3')
    net = slim.conv2d(net, 256, [3, 3], scope='conv4')
    net = slim.max_pool2d(net, [2, 2], 2, scope='pool4')
    net = slim.batch_norm(net, activation_fn=tf.nn.relu, scope='bn2')
    # net = slim.conv2d(net, 512, [3, 3], scope='conv5