tensorflow lite推理与常规推理的结果不同

Question

我有一个模型，可以从图像中提取512个特征(-1，1之间的数字)。我使用这里的https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/lite指令将这个模型转换为tflite浮点格式

我在与原始模型和tflite模型相同的图像上运行推断。

我得到了不同的向量结果，我希望得到非常相似的结果，因为我没有使用量化格式。据我所知，tf-lite应该只会提高推理的执行时间，而不会影响特征计算。

我的问题是这很正常吗？还有人遇到过这种情况吗？我在任何地方都没有找到任何关于这方面的话题。

使用代码进行了更新。

我已经训练了这个网络(删除了许多项目，因为我不能共享整个网络) placeholder = 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_array=input--output_array=embeddings--input_format=1,128,128，1

我在python中使用tensorflow运行network_512.pb，在network_512.tflite中使用https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/lite/java/demo中的代码运行，其中我修改了代码以加载并运行我的网络。

Answer 1

更新我找到的内容。我做的测试是使用演示应用程序tensorflow提供并更改它，以使用我的服装模型和提取特征，在那里我注意到特征值的差异。

一旦我在最新的android上手动编译了tf-lite库，并使用我使用的相同流程(到目前为止是TF- c++ )运行流程，我得到了几乎相同的功能结果。

没有时间去调查差异来自哪里。但我现在很开心。