TensorFlow模型转TFLite需适配结构并选对参数：仅SavedModel格式且全为builtin op、静态shape（或启用动态shape）、无Python逻辑的模型可直转；遇报错应替换Lambda/调试算子，启用SELECT_TF_OPS时需链接对应delegate；提速关键在Optimize.DEFAULT+representative_dataset量化及目标设备实测。
TensorFlow模型转TFLite不是“一键导出”就能跑通的，关键在转换前的模型结构适配和转换时的参数选择——尤其当模型含自定义层、动态shape或非标准op时，tf.lite.TFLiteConverter 很可能直接报错或生成不可用的模型。
哪些模型能直接用 tf.lite.TFLiteConverter.from_saved_model() 转？
仅限已保存为 SavedModel 格式（含 saved_model.pb 和 variables/ 目录）且满足以下条件的模型：
- 全部算子属于 TFLite 支持的
builtin_op列表（如CONV_2D、FULLY_CONNECTED），不含While、TensorList或未注册的自定义op - 输入输出 tensor 的 shape 是静态的（无
None维度），或已用converter.experimental_enable_resource_variables = True+converter.experimental_allow_dynamic_shapes = True（TF 2.10+）显式启用动态shape支持 - 没有依赖 Python 层逻辑（如
tf.py_function）或未被 TFLite runtime 实现的控制流
常见踩坑：用 model.save('path', save_format='h5') 保存的 HDF5 模型不能直接传给 from_saved_model()；必须先加载再用 tf.keras.models.load_model() 加载后调用 model.save('savedmodel_dir', save_format='tf')。
遇到 OperatorNotAllowedInGraphError 或 ValueError: Cannot set tensor: Got value of type NOT_SUPPORTED 怎么办？
这是转换器在图构建阶段发现不兼容操作的典型报错，核心解决路径是“降级表达能力，换掉危险组件”：
立即学习“Python免费学习笔记（深入）”；
- 把
tf.keras.layers.Lambda替换为等效的原生 Keras 层（例如用tf.keras.layers.Reshape代替Lambda(lambda x: tf.reshape(x, ...))） - 避免在模型中使用
tf.print、tf.debugging.assert_*等调试算子；训练时用@tf.function包裹的函数需确保内部不含 Python 控制流（如if x > 0:应改用tf.cond） - 若必须保留动态逻辑，启用实验性选项：
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS, tf.lite.OpsSet.SELECT_TF_OPS]，但注意这会引入 TF 运行时依赖，Android/iOS 需额外链接libtensorflowlite_gpu_delegate.so或对应 delegate 库
示例修复片段：
# 错误写法（Lambda 含 tf.nn.l2_normalize） model.add(tf.keras.layers.Lambda(lambda x: tf.nn.l2_normalize(x, axis=-1))) <h1>正确写法（用内置层替代）</h1><p>model.add(tf.keras.layers.Lambda(lambda x: tf.math.l2_normalize(x, axis=-1))) # 注意：l2_normalize 在 TF 2.8+ 已支持 builtin</p><h1>或更稳妥：改用自定义层继承 tf.keras.layers.Layer 并重写 call()，确保只调用 TFLite 支持的 op
怎么让 TFLite 模型在手机上真正跑快？关键参数不是 optimize_for_size
默认转换出来的模型没做量化或算子融合，性能远低于预期。真正影响移动端推理速度的是三类设置：
-
converter.optimizations = [tf.lite.Optimize.DEFAULT]：启用权重量化（int8）和算子融合，但要求输入数据有 representative_dataset（哪怕只喂 100 张校准图） - 若模型输入是 uint8 图像（如摄像头直出），设
converter.inference_input_type = tf.int8且converter.inference_output_type = tf.int8，配合representative_dataset做全整型量化，可省去 float↔int 转换开销 - 对含 LSTM/GRU 的序列模型，必须设
converter.experimental_enable_resource_variables = True，否则状态变量无法正确映射到 TFLite 的Resource类型
注意：representative_dataset 必须返回一个 generator，每个 yield 返回一个 tuple，如 yield [input_tensor.numpy()]；喂 numpy array 而非 tf.Tensor，且 shape 必须与模型 input signature 完全一致。
最常被跳过的一步：转换后必须用 tf.lite.Interpreter 在目标设备（或相同架构的 Linux ARM64 环境）上做真实 inference 测试，而不仅是检查模型能否 load。很多“转换成功”的模型在 Android 上因 delegate 加载失败、内存对齐问题或 int8 量化误差过大而静默崩溃——别只信 converter.convert() 返回 bytes 的那一刻。
