将 retrained_graph.pb 转换为 tflite 文件后模型得分不好。
我们按照以下步骤获取 tflite 文件：
步骤1。收集数据图像（.jpg）并放入文件夹结构中
tf_files/cockroaches_photos/americancockroach/images
ex:tf_files/cockroaches_photos/americoncockroach/4.jpg
Step2 在训练之前，设置图像大小以及训练模型所需的架构。（inceptionV3/MobileNet）
设置图像大小：
IMAGE_SIZE=299
设置inception_v3的架构：
ARCHITECTURE="inception_v3"
Step3：使用默认的 4000 epoch 重新训练模型：
python -m scripts.retrain --bottleneck_dir=tf_files/bottlenecks --model_dir=tf_files/models/"${ARCHITECTURE}" --summaries_dir=tf_files/training_summaries/"${ARCHITECTURE}" --output_graph=tf_files/retrained_graph.pb --output_labels=tf_files/retrained_labels.txt --architecture="${ARCHITECTURE}" --image_dir=tf_files/i_cockr_photos
在我的情况下，行尾的输出：
INFO: tensorflow:Final test accuracy = 93.2% (N=44)
Step4：修改scripts/label_image.py如下
input_height=299
input_width=299
input_layer=”Mul”
output_layer=”final_result”
Step5：使用 retrained_graph.pb 对图像进行分类
python -m scripts.label_image --graph=tf_files/retrained_graph.pb --image=tf_files/i_cockr_photos/germancockroach/images.jpg
输出：评估时间（1张图像）：0.816s
德国蟑螂 0.88213 brownbandedcockroach 0.0920959 美国蟑螂 0.024512 澳大利亚蜘蛛甲虫 0.000708872 温室蟑螂 0.000419116
Step6：优化模型
python -m tensorflow.python.tools.optimize_for_inference --input=tf_files/retrained_graph.pb --output=tf_files/optimized_graph.pb --input_format=TENSORFLOW_GRAPHDEF --output_format=TENSORFLOW_GRAPHDEF --input_shape=1,299,299,3 --input_names="Mul" --output_names="final_result"
Step7：使用optimized_graph.pb验证优化模型：
python -m scripts.label_image --graph=tf_files/optimized_graph.pb --image=tf_files/i_cockr_photos/germancockroach/images.jpg
评估时间（1-image）：0.713s
germancockroach 0.882129
brownbandedcockroach 0.0920963
americancockroach 0.0245122
australianspiderbeetle 0.000708876
greenhousecockroach 0.000419114
Step8：将模型转换为TFLite格式：（1）使用retrained_graph.pb
toco --input_file=/home/sudheer_sure/t_working/tf_files/retrained_graph.pb --output_file=/home/sudheer_sure/t_working/tf
_files/t_c_labs_retrained_graph.lite --input_format=TENSORFLOW_GRAPHDEF --output_format=TFLITE --input_shape=1,299,299,3 --input_array=Mul --output_array=final_result --inference_type=FLOAT --input_type=FLOAT
(2) 使用优化的_graph.pb
toco --input_file=/home/sudheer_sure/t_working/tf_files/optimized_graph.pb --output_file=/home/sudheer_sure/t_working/tf
_files/t_c_labs_optimized_graph.lite --input_format=TENSORFLOW_GRAPHDEF --output_format=TFLITE --input_shape=1,299,299,3 --input_array=Mul --output_array=final_result --inference_type=FLOAT --input_type=FLOAT
(3) 使用 bazel 转换 tflite retrained_graph.pb 并添加 input_names 和 output_names 参数：
sudo bazel-bin/tensorflow/contrib/lite/toco/toco '--input_format=TENSORFLOW_GRAPHDEF' '--input_file=/home/sudheer_sure/t_working/tf_files/retrained_graph.pb' '--output_format=TFLITE' '--output_file=/home/sudheer_sure/dummy/bazel_toco_retrain_inception_v3.lite' '--inference_type=FLOAT' '--inference_input_type=FLOAT' '--input_arrays=Mul' '--output_arrays=final_result' '--input_shapes=1,299,299,3' '--input_names=DecodeJpeg/contents' '--output_names=pool_3/_reshape'
(4) 使用 bazel 转换 tflite optimized_graph.pb 并添加 input_names 和 output_names 参数：
sudo bazel-bin/tensorflow/contrib/lite/toco/toco '--input_format=TENSORFLOW_GRAPHDEF' '--input_file=/home/sudheer_sure/t_working/tf_files/optimized_graph.pb' '--output_format=TFLITE' '--output_file=/home/sudheer_sure/dummy/bazel_toco_object_inception_v3.lite' '--inference_type=FLOAT' '--inference_input_type=FLOAT' '--input_arrays=Mul' '--output_arrays=final_result' '--input_shapes=1,299,299,3' '--input_names=DecodeJpeg/contents' '--output_names=pool_3/_reshape'
在这里，您可以比较我们在转换为 tflite 文件之前获得的分数，即直接从重新训练的图形和转换为 tflite 文件之后获得的分数
来自 retarined_graph.pb 的分数：
americancockroach 0.814701
greenhousecockroach 0.157736
germancockroach 0.0224954
brownbandedcockroach 0.00405233
australianspiderbeetle 0.000568162
来自 TensorFlow .lite 文件的分数：
australianspiderbeetle, 0.012658036
confusedflourbeetle, 0.013540811
americancockroach, 0.033697817
请让我知道需要做些什么来解决它。