是的，您 可以 在TF-Lite中 使用动态张量 。您不能直接将形状设置
[None, 128, None,1]为的原因是因为这样，将来您可以轻松支持更多语言。此外，它充分利用了静态内存分配方案。对于打算用于具有低计算能力的小型设备的框架来说，这是一个明智的设计选择。以下是有关如何动态设置张量大小的步骤：
0.冻结
似乎您正在从冻结的GraphDef（即
*.pb文件）进行转换。假设冻结的模型具有输入形状
[None, 128, None, 1]。
1.转换步骤。
在此步骤中，将输入大小设置为模型可以接受的 任何有效 大小。例如：
tflite_convert --graph_def_file='model.pb' --output_file='model.tflite' --input_shapes=1,128,80,1 # <-- here, you set an # arbitrary valid shape --input_arrays='input' --output_arrays='Softmax'
2.推论步骤
诀窍是
interpreter::resize_tensor_input(...)在推理过程中实时使用TF-Lite
API的功能。我将提供它的python实现。Java和C ++实现应相同（因为它们具有相似的API）：
from tensorflow.contrib.lite.python import interpreter# Load the *.tflite model and get input detailsmodel = Interpreter(model_path='model.tflite')input_details = model.get_input_details()# Your network currently has an input shape (1, 128, 80 , 1),# but suppose you need the input size to be (2, 128, 200, 1).model.resize_tensor_input( input_details[0]['index'], (2, 128, 200, 1))model.allocate_tensors()
而已。现在
(2, 128, 200,1)，只要您的网络体系结构允许输入这样的形状，就可以将该模型用于具有shape的图像。请注意，
model.allocate_tensors()每次进行这样的重塑时都必须做，所以效率很低。这是
强烈建议 ，以避免在程序中使用此功能太多。
