我正在使用一个预训练的TensorFlow Lite模型，通过我创建的一个简短程序来获取一些样本输出：
import cv2 as cvimport numpy as npimport osimport tensorflow as tfimport numpy as npdef decode_img(img): # 将压缩字符串转换为3D uint8张量 img = tf.image.decode_jpeg(img, channels=3) # 使用`convert_image_dtype`将图像转换为[0,1]范围内的浮点数 img = tf.image.convert_image_dtype(img, tf.float32) # 调整图像大小到所需尺寸 return tf.reshape(tf.image.resize(img, [257, 257]), [1, 257, 257, 3])model = tf.lite.Interpreter('models\posenet_mobilenet_v1_100_257x257_multi_kpt_stripped.tflite')input_details = model.get_input_details()output_details = model.get_output_details()img = tf.io.read_file('photos\standing\\1.jpg')input_data = decode_img(img)print('input shape: {}'.format(input_data.shape))model.set_tensor(input_details[0]['index'], input_data)model.invoke()output_data = model.get_tensor(output_details[0]['index'])print('output: {}'.format(output_data))在控制台打印输入形状后，程序没有进一步的操作就结束了。原本应该打印输出的那行代码从未执行。
输出：
C:\python imagetest.py INFO: 已初始化TensorFlow Lite运行时。 2020-01-21 08:07:32.567619: I tensorflow/core/platform/cpu_feature_guard.cc:145] 此TensorFlow二进制文件已使用Intel(R) MKL-DNN进行优化，以在性能关键操作中使用以下CPU指令：AVX AVX2 要在非MKL-DNN操作中启用它们，请使用适当的编译器标志重新构建TensorFlow。 2020-01-21 08:07:32.578283: I tensorflow/core/common_runtime/process_util.cc:115] 使用默认的inter op设置创建新线程池：8。 使用inter_op_parallelism_threads调整以获得最佳性能。 input shape: (1, 257, 257, 3)
使用Interpreter类正确使用预训练的TFLite模型的方法是什么？
回答：
通过以下代码成功使其工作：
img = cv.imread('photos\standing\\3.jpg')img = tf.reshape(tf.image.resize(img, [257,257]), [1,257,257,3])model = tf.lite.Interpreter('models\posenet_mobilenet_v1_100_257x257_multi_kpt_stripped.tflite')model.allocate_tensors()input_details = model.get_input_details()output_details = model.get_output_details()floating_model = input_details[0]['dtype'] == np.float32if floating_model: img = (np.float32(img) - 127.5) / 127.5model.set_tensor(input_details[0]['index'], img)model.invoke()output_data = model.get_tensor(output_details[0]['index'])offset_data = model.get_tensor(output_details[1]['index'])我注意到的唯一区别是初始调用了allocate_tensors()。
