一，概述
深度学习模型在移动端的应用越来越多，tensorflow lite就是专门为tensorflow模型在移动端上线推断设计的框架。tensorflow 官方提供了不少cv的tflite模型，以及c++调用的例子。我们在这里以一个nlp的例子来从零实现到c++调用，并且以调用so动态库，用cmake编译的方式的来实现调用tflite模型进行预测。
二，模型训练
采用的例子是一个类似语言模型的例子，用上文预测当前词，详情见nlp_tflite/char_rnn。
在模型的构造过程中要注意一些问题，因为tensorflow lite为了轻量化（编译后的so文件只有2.7M大小），所以很多tensorflow中的operation都不支持，所以在编写模型的过程中需要注意，来说下当前碰到的点，当然肯定还有很多的坑没有碰到。
1），显示确定计算图中所有tensor的维度
我们在搭建模型时在使用tf.placeholder传入数据的时候，有时候会将维度指定为None，在用python训练和预测时会根据你传入的数据去动态的确定这个维度的值，如果你想转换成tflite模型，就必须确定输入的tensor的维度。因为在执行转换到tflite的时候需要明确指定输入的tensor的维度，否则会将第一个维度定为1（tflite会默认所有输入的tensor的第一个维度时batch_size，并赋值为1）。
计算图中的tensor同样要确定维度，一般来说输入的维度确定了，中间维度一定会是确定，但也有一些特殊的情况，这种我就碰到过，比如我传入一个标量sequence_len到模型中，标量的值是动态变化的（如序列的长度），然后用tf.range(sequence_len)，这种情况不影响转换成tflite模型，但是在c++调用时会出问题，因为c++是预先给每个tensor分配一个固定大小的地址，这个地址就是由这个tensor的维度和tensor的数据类型确定的，而tf.range是会根据sequence_len的长度生成一个长度不等的一维tensor，此时c++在分配内存时竟然默认数据长度为1。
因此无论如何都要确定计算图中所有tensor的维度，这样在c++编译时才能合理的预先分配内存。
2），不支持random_uniform
这个operation不支持确实让有点惊讶，但确实不支持，这里影响到的operation挺多的，如tf.random_unifrom_initializer(), tf.glorot_uniform_initializer(), tf.nn.dropout()等等。只要里面调用了random_uniform就不支持，但是有的初始化可能用random_uniform就是比random_normal好，可以用numpy初始化，然后传入到模型中。
3），不支持dynamic_rnn
dynamic_rnn是用于rnn类模型解码的operation，这个暂时不支持，也不支持这里面使用到的tf.while_loop之类的操作，需要更换成static_rnn。
4），不支持tf.boolean_mask
这个ops在rnn中用的也很多，通常用在计算损失的时候mask掉序列中padding的部分，但这个也不支持。
5），定义两份计算图
训练的时候通常使用batch_size=32，64这种形式输入数据，而预测时通常是一条样本，这两种情况有时候使用的operation是不一样的，所以可以定义两份计算图，但是要保证两份图中的权重是一样的，将训练的图保存成checkpoint，之后可以加载训练的图，并将相应的权重赋给预测的图，并保存成freeze pb文件。
6），量化
量化可以见tensorflow模型量化实例，在转换成tflite时候可以量化，但对于模型空间比较小的小模型，采用posted training quanzitation的效果可能会不太好，可采用尝试quantization aware training。采用cpu推断时建议量化，cpu在int8的计算效率上要高于float32。
三，编译tensorflowlite.so
1），安装bazel，见官方教程 https://docs.bazel.build/versions/master/install.html
2），git clone https://github.com/tensorflow/tensorflow.git
3），进入到tensorflow文件夹下，也就是位于WORKSPACE下面，bazel需要在这个文件的目录下执行编译
4），./configure
5），bazel build –cxxopt=’–std=c++11′ //tensorflow/lite:libtensorflowlite.so 如果要在安卓上使用，需要指定ndk
四，创建c++工程，并将依赖的头文件和so文件放到工程下
1），将tflite的头文件放置到include下(cd tensorflow/tensorflow) (find ./lite -name “*.h” | tar -cf headers.tar -T -)
2），将上面的headders.tar压缩包移动到自己项目下的cpp_tflite/include中并解压，解压后可以直接去除
3），将tensorflow/bazel-bin/tensorflow/lite/libtensorflowlite.so和tensorflow/bazel-bin/external/flatbuffers/libflatbuffers.a 放到cpp_tflite/lib文件夹中
4），进入到tensorflow/tensorflow/lite/tools/make下执行download_dependencies.sh，或者直接下载flatbuffers压缩包，然后取出include的内容放置到cpp_tflite/include中即可。
后序编译详情见github项目中的README
五，c++调用tflite
tflite中提供了一种数据结构——flatbuffers，会将tflite模型转换成flatbuffers模型，之后会将模型中的tensor映射到tflite的解释器中，之后会使用tflite中的解释器interpreter进行推断，在加载模型之后一定要确保flatterbuffers的model指针和interpreter两个指针都是一直存在的，即在整个模型的工作期间都要一直存在，因为依赖这两个指针进行tensor的查找并进行推断。我开始就犯了一个错误，以为只需要保持interpreter存在就行，将interpreter写在成员属性中，而flatbuffers model只在构造函数中使用，结果就一直报错。
另外在c++中所有的tensor都是由一个指针和一片连续的内存表示，所以无论多少维的输入，都需要一个个的循环写入到c++分配的内存中。
以上就是一些注意的点，基本上就能完成一个简单的模型转tflite，并用c++进行推断。
参考文献
Original: https://www.cnblogs.com/jiangxinyang/p/13215724.html
Author: 微笑sun
Title: c++调用tflite实战
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/535534/
转载文章受原作者版权保护。转载请注明原作者出处！