我有一个TensorFlow Lite模型和一个Coral Dev Board，我想在Dev Board的TPU上进行推理。
在我的Python推理脚本中初始化TensorFlow Lite解释器时，我按照Google Coral TFLite Python示例（在Coral Dev Board的入门指南中链接）中的示例，添加了“libedgetpu.so.1”作为实验性委托。然而，推理的速度与不指定TPU实验性委托时完全相同，因此我假设推理仍在Dev Board的CPU上运行。无论是否使用实验性委托，Dev Board上的推理时间为32秒；在我的台式电脑上，使用相同测试集的推理时间，如果在CPU上运行TFLite模型为10秒，如果在转换为TFLite之前在Keras中运行相同模型，则为1.3秒（我认为这是因为它利用了多个核心，所以比TFLite更快）。
我的问题是：如何让推理在Dev Board的TPU上而不是CPU上运行？
我想知道是否需要在我将Keras模型转换为TFLite格式之前在PC上构建模型时指定某些内容（例如使用with tf.device上下文管理器或其他让生成的TFLite模型使用TPU的东西），但我在TensorFlow Lite转换器Python API文档中没有看到关于这一点的任何信息。
Dev Board运行的是Mendel版本2.0，Python版本3.5.3，tflite-runtime版本2.1.0.post1（我知道我应该更新Mendel版本，但是我目前使用的是Windows电脑，获取Linux机器或尝试使用Putty、VirtualBox或WSL从Windows更新Dev Board会很麻烦。如果Coral像Raspberry Pi那样支持Windows就好了…）。
以下是我的推理脚本（如果需要，我也可以上传训练脚本和模型；数据集是MNIST，转换为NumPy浮点数据，如这个Gist中所述）：
回答：
看起来你已经在我们的GitHub页面上问过这个问题，并且在这里得到了回答。只是想分享给其他人参考
