概述
我知道这个话题已经被讨论过很多次了，但我很难理解这个工作流程，或者说，工作流程的各种变化。
例如，假设您正在Windows 10上安装TensorFlow。主要目标是训练一个自定义模型，将其转换为TensorFlow Lite，并将转换后的.tflite文件复制到运行TensorFlow Lite的树莓派上。
对我来说，困惑从转换过程开始。在跟随多个指南后，似乎TensorFlow通常是通过pip或Anaconda安装的。但随后我看到详细的教程，指出需要从源码构建才能将TensorFlow模型转换为TFLite模型。
为了让事情更有趣，我还看到了一些通过Python脚本转换的模型，如这里所示。
问题
到目前为止，我已经看到了三种转换方法，可能是我没有完全理解全貌。以下是我看到的简化方法：
-
从源码构建，并使用TensorFlow Lite优化转换器（TOCO）：
bazel run --config=opt tensorflow/lite/toco:toco -- --input_file=$OUTPUT_DIR/tflite_graph.pb --output_file=$OUTPUT_DIR/detect.tflite ... -
使用TensorFlow Lite转换器Python API：
converter = tf.lite.TFLiteConverter.from_saved_model(export_dir)tflite_model = converter.convert()with tf.io.gfile.GFile('model.tflite', 'wb') as f:f.write(tflite_model) -
使用tflite_convert命令行工具：
tflite_convert --saved_model_dir=/tmp/mobilenet_saved_model --output_file=/tmp/mobilenet.tflite
我认为我理解的是选项2/3是相同的，意思是tflite_convert工具已安装，可以从命令行或通过Python脚本调用。但选择一个而不是另一个有什么特定的原因吗？
最后，让我感到困惑的是选项1。也许这是版本问题（1.x vs 2.x）？但TensorFlow Lite优化转换器（TOCO）和TensorFlow Lite转换器之间有什么区别？看起来为了使用TOCO，你必须从源码构建TensorFlow，所以有什么理由你会选择一个而不是另一个吗？
回答：
只要参数保持不变，不同的转换方法的输出没有区别。如果您想以自动化方式生成TFLite模型（例如定期运行的Python脚本），Python API会更好。
TensorFlow Lite优化转换器（TOCO）是TF到TFLite转换器的第一个版本。它最近被废弃，并被一个新转换器所取代，后者可以处理更多的操作/模型。所以我不推荐使用toco:toco通过bazel，而是使用tflite_convert，如这里所述。
除非您对转换器进行了一些更改并想测试它们，否则您永远不需要从源码构建转换器。
