Tensorflow Model to TFLITE

Question

我有这段代码，用于使用tensorflow hub中预先训练的通用编码器构建语义搜索引擎。我无法转换为tlite。我已将模型保存到我的目录中。

导入模型：

module_path ="/content/drive/My Drive/4"
%time model = hub.load(module_path)
#print ("module %s loaded" % module_url)
#Create function for using modeltraining
def embed(input):
return model(input)

在数据上训练模型：

## training the model
Model_USE= embed(data)

保存模型：

exported = tf.train.Checkpoint(v=tf.Variable(Model_USE))
exported.f = tf.function(
lambda  x: exported.v * x,
input_signature=[tf.TensorSpec(shape=None, dtype=tf.float32)])
export_dir = "/content/drive/My Drive/"
tf.saved_model.save(exported,export_dir)

保存工作正常，但当我转换为tflite时，会出现错误。

转换代码：

converter = tf.lite.TFLiteConverter.from_saved_model(export_dir)
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS,
tf.lite.OpsSet.SELECT_TF_OPS]
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)

错误：

as_list() is not defined on an unknown TensorShape.

Answer 1

首先，您应该添加一个数据生成器，以便为转换器提供有代表性的输入。就像这样：

def representative_data_gen():
for input_value in dataset.take(100):
yield [input_value]

input value的形状必须是(1, your_iput_shape)，就好像它具有1的批处理形状一样。它必须以清单的形式产生；强制性的

您还应该声明您想要哪种类型的优化，例如：

converter.optimizations = [tf.lite.Optimize.OPTIMIZE_FOR_SIZE]

尽管如此，我也遇到了转换器的不同选项的问题，这取决于网络结构，在这种情况下我不知道。所以，为了让转换器干净地运行，我只想做：

converter = lite.TFLiteConverter.from_keras_model(model)
converter.experimental_new_converter = True
converter.optimizations = [lite.Optimize.DEFAULT]
tfmodel = converter.convert()

converter.experimental_new_converter = True用于转换RNN时的问题，如https://github.com/tensorflow/tensorflow/issues/34813

编辑：

如本文所述：ValueError:None仅在第1维度中受支持。张量'；flatbuffer_data'；具有无效形状'；[无，无，1512]'；TFLite只允许数据的第一个维度为None，即批处理。所有其他尺寸必须固定。试着用tf.keras.preprocessing.sequence.pad_sequences填充它们。

然后用Embedding或Masking层在网络中屏蔽序列，如中所述：tensorflow.org/guide/keras/masking_and_padding。