我发现我们可以通过多种方式优化 Tensorflow 模型。如果我错了，请告诉我。
1- 使用TF-TRT，由 tensorflow 开发的这个 API 开发人员将 TensoRT 集成到 Tensorflow，这个 API 称为：
从 tensorflow.python.compiler.tensorrt 导入 trt_convert 作为 trt
此 API 可应用于任何 tensorflow 模型（新旧版本模型）而不会出现任何转换错误，因为如果此 API 不支持任何新层，请不要将这些层用于 TensorRT 引擎，这些层将保留用于 Tensorflow 引擎和在张量流上运行。对？
2- 使用TensorRT，这个 API 由 NVIDA 开发，独立于 Tenorflow 库（未集成到 Tensorflow），这个 API 称为：
将 tensorrt 导入为 trt
如果我们想使用这个 api，首先我们必须使用 uff-convertor 将 tensorflow 图转换为 UFF，然后将 UFF 图解析到这个 API。在这种情况下，如果 Tensorflow 图有不受支持的层，我们必须为这些层使用插件或自定义代码，对吗？
3-我不知道，当我们使用Tensorflow模型时，为什么我们使用UFF转换器然后使用TensorRT，我们可以直接使用TF-TRT API，对吗？如果是这样，您是否从这两种方法测试了 Tensorflow 优化模型以获得相同的性能？这种 UFF 转换器方法有什么优势？
我对上述两种情况有一些疑问：
4-我使用两种情况转换 ssd_mobilenet_v2，在情况 1 中，我的速度略有提高，但在情况 2 中，我取得了更多的进步，为什么？我的观点是，在案例 1 中，API 只考虑转换精度（FP32 到 FP16）并将可能的层合并在一起，但在案例 2 中，图形被 UFF 清理，例如删除任何冗余节点，如 Asserts 和标识然后转换为 tensorrt 图，对吗？
5- 当我们将训练好的模型文件（如.ckptand .meta, ...）转换为冻结推理图（.pb file）时，这些层不会从图中删除？只有损失状态和优化器状态，...被删除？