我有一个模型从图像中提取512个特征（数字在-1,1之间） . 我使用这里的指令将此模型转换为tflite float格式https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/lite
我使用原始模型和tflite模型对同一图像进行推理 .
我得到了不同的矢量结果，我期望得到非常相似的结果，因为我没有使用量化格式 . 根据我的理解，tf-lite应该只改善推理性能时间而不影响特征计算 .
我的问题是正常的吗？还有其他人遇到过吗？我在任何地方都没有找到任何关于此的话题 .
更新了代码 .
我有这个网络我训练（删除了很多项目，因为我无法共享完整的网络）占位符= tf.placeholder（name ='input'，dtype = tf.float32，shape = [None，128,128,1]）
with slim.arg_scope([slim.conv2d, slim.separable_conv2d],
activation_fn=tf.nn.relu, normalizer_fn=slim.batch_norm):
net = tf.identity(placeholder)
net = slim.conv2d(net, 32, [3, 3], scope='conv11')
net = slim.separable_conv2d(net, 64, [3, 3], scope='conv12')
net = slim.max_pool2d(net, [2, 2], scope='pool1') # 64x64
net = slim.separable_conv2d(net, 128, [3, 3], scope='conv21')
net = slim.max_pool2d(net, [2, 2], scope='pool2') # 32x32
net = slim.separable_conv2d(net, 256, [3, 3], scope='conv31')
net = slim.max_pool2d(net, [2, 2], scope='pool3') # 16x16
net = slim.separable_conv2d(net, 512, [3, 3], scope='conv41')
net = slim.max_pool2d(net, [2, 2], scope='pool4') # 8x8
net = slim.separable_conv2d(net, 1024, [3, 3], scope='conv51')
net = slim.avg_pool2d(net, [8, 8], scope='pool5') # 1x1
net = slim.dropout(net)
net = slim.conv2d(net, feature_vector_size, [1, 1], activation_fn=None, normalizer_fn=None, scope='features')
embeddings = tf.nn.l2_normalize(net, 3, 1e-10, name='embeddings')
bazel-bin / tensorflow / contrib / lite / toco / toco --input_file = / tmp / network_512.pb --input_format = TENSORFLOW_GRAPHDEF --output_format = TFLITE --output_file = / tmp / tffiles / network_512.tflite --inference_type = FLOAT --input_type = FLOAT --input_arrays = input --output_arrays = embeddings --input_shapes = 1,128,128,1
我使用python中的tensorflow运行network_512.pb，使用https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/lite/java/demo中的代码运行network_512.tflite，其中我修改了代码以加载我的网络并运行它 .
1 回答
我找到的更新 . 我做的测试是使用Demo app tensorflow提供并更改它以使用我的服装模型和提取功能，在那里我注意到功能值的差异 .
一旦我在最新的android上手动编译了tf-lite c lib，并使用我使用的相同流程运行流程（这是TF-C API，直到现在）我得到的功能几乎相同 .
没有时间调查哪里来了差异 . 但我现在很开心