全整数量化要求模型全程使用INT8运算，因此representative_dataset必须真实且不含浮点预处理，以准确校准激活范围；需显式设置supported_ops为TFLITE_BUILTINS_INT8并指定inference_input/output_type为tf.int8，否则会静默回退；最终须用Netron或xxd验证所有tensor类型确为INT8。
TensorFlow 的全整数量化（Full Integer Quantization）不是加个参数就能跑通的——它要求模型中所有算子都支持 INT8 推理，且输入/输出数据流全程不出现 float，否则 tflite_convert 会静默回退到 float16 或直接报错。
为什么 representative_dataset 必须真实、有代表性且不含预处理逻辑？
量化过程依赖该数据集校准激活值范围（min/max），若只用全零或单张图，tf.lite.TFLiteConverter 会估算出极窄的动态范围，导致推理时大量溢出和精度崩塌；更隐蔽的问题是：如果数据集里还混着 tf.image.resize 或归一化（如 x / 255.0），这些 float 操作无法被量化，converter 会跳过相关子图或报 Operator not supported。
- 必须用原始输入格式（如 uint8 的 [0, 255] 图像）喂入，不做任何除法、减均值等 float 变换
- 样本数建议 ≥ 100，覆盖不同光照、尺度、类别分布
- 函数需可重复调用（不能带内部计数器），返回
dict或list形式张量，例如：def representative_dataset(): for _ in range(100): yield [np.random.randint(0, 256, (1, 224, 224, 3), dtype=np.uint8)]
converter.target_spec.supported_ops 必须显式设为 [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
默认 OpsSet.TFLITE_BUILTINS 允许 float fallback，即使你开了量化参数，converter 仍可能把 Conv2D 保留为 float32 —— 因为它“支持”，但不符合全整数目标。只有强制限定 INT8 ops 集，才会在不支持时立即报错（比如遇到 tf.nn.l2_normalize），而不是生成一个伪量化模型。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 同时必须设置
converter.inference_input_type = tf.int8和converter.inference_output_type = tf.int8 - 若模型含自定义 op 或较新层（如
MultiHeadAttention），需确认对应 TFLite 版本是否已实现 INT8 kernel（查 官方 ops 兼容表） - 漏设
inference_input_type是最常见失败原因：converter 生成的模型输入仍是 float32，边缘设备加载时报Input tensor type is not supported
验证量化是否真正生效：别只看文件大小
生成的 .tflite 文件变小了，不代表全整数量化成功——可能只是权重 quantized，而 activation 仍是 float。真正有效的检查方式是解析模型结构：
立即学习“Python免费学习笔记（深入）”；
- 用
netron打开模型，逐层查看input和output的type字段，必须全部是INT8（不是UINT8或INT32） - 命令行快速检测：
xxd -c16 -g1 model.tflite | head -20
，搜索0x03（INT8 的 type code），确认各 tensor 的 type 字段值一致 - 在边缘设备（如 Raspberry Pi + Coral USB Accelerator）上运行时，若报
Failed to apply delegate，大概率是某层仍含 float tensor，Delegate 拒绝加载
全整数量化的关键不在 converter 参数堆砌，而在数据流闭环：从 representative dataset 的原始性、到 ops 集的硬性约束、再到每层 tensor type 的肉眼确认——少一步，边缘端就只能 fallback 到 CPU 上跑 float 模型。
