直接用 tflite_convert 报“Unsupported operation”因TFLite默认仅支持基础算子，不兼容tf.nn.l2_normalize等；应改用Python API并配置supported_ops和experimental_enable_resource_variables。
为什么直接用 tflite_convert 会报错 “Unsupported operation”？
因为原始 TensorFlow 模型（尤其是 SavedModel 或 Keras HDF5）里常含 TFLite 不支持的算子，比如 tf.nn.l2_normalize、tf.image.resize（某些 mode）、或自定义层。TFLite 转换器默认只启用基础算子集，不自动 fallback 或重写。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
tf.lite.TFLiteConverter.from_saved_model(...)加载模型，别用旧版命令行tflite_convert—— 它已弃用且错误提示更模糊 - 设置
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS, tf.lite.OpsSet.SELECT_TF_OPS]，允许部分 TF 算子在设备端用 delegate 运行（需 Android/iOS 额外集成） - 若仍报错，用
converter.experimental_enable_resource_variables = True解决变量绑定问题（尤其带tf.function的动态图）
怎么加权值量化（Weight-Only Quantization）且不掉点？
这是最安全的量化起点，只压缩权重为 int8，保留激活为 float32，几乎不影响精度，体积能减约 4 倍。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 必须调用
converter.optimizations = [tf.lite.Optimize.DEFAULT]—— 光设supported_types不生效 - 不要手动设
converter.target_spec.supported_types = [tf.int8]，那是全量化（Full Integer Quantization）的配置，没校准会崩 - 对 CNN 类模型，权重量化后通常精度损失 tf.keras.models.load_model(..., compile=False) 加载并调用
model.compile()触发融合
做 Full Integer Quantization 必须做 calibration 吗？
必须。TFLite 不会自己“猜”激活范围，没校准就硬开全量化，输出全是 NaN 或零值。
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 准备一个小型校准数据集（100–500 张图足够），确保覆盖典型输入分布；用
tf.data.Dataset构建，别用 NumPy list 直接喂 - 设置
converter.representative_dataset = representative_data_gen，其中representative_data_gen是一个无参生成器函数，每次 yield 一个(input_tensor,)元组（注意括号和逗号） - 加上
converter.inference_input_type = tf.int8和converter.inference_output_type = tf.int8，否则输入/输出仍是 float，达不到端侧部署效果 - 校准失败常见原因是输入 shape 不匹配：检查
representative_data_gen产出的 tensor shape 是否与模型 input signature 一致（特别是 batch 维是否为 1）
量化后模型在手机上跑出结果却是全零或乱码？
大概率是输入预处理没对齐量化要求：int8 模型期望输入是 int8 范围 [-128, 127] 或 [0, 255]，但你仍按 float32 归一化（如 /255.0）喂进去。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 查模型 input details：
interpreter.get_input_details()[0]['dtype']，如果是np.int8，就得做整数映射；常见映射是(img.astype(np.float32) - 127.5) / 127.5 → np.int8（对称量化）或img.astype(np.uint8) → np.int8（偏移后） - 别依赖 Python 端自动转换 ——
interpreter.set_tensor()不做类型检查，喂错类型只会静默失败 - 用
interpreter.invoke()后立刻检查interpreter.get_tensor(output_index)输出 dtype 和值域，确认不是全零或溢出
量化真正难的不是转换命令，而是让校准数据、预处理逻辑、模型输入输出 dtype 在 Python、TFLite、移动端三端完全咬合。漏掉任意一环，模型就只是个“看起来转成功了”的文件。
