🧠 TensorFlow Lite (TFLite) 教學入門指南

✅ 一、什麼是 TensorFlow Lite？

TensorFlow Lite 是 Google 推出的 輕量級深度學習推論引擎，專為行動裝置、嵌入式系統（如 Raspberry Pi、Edge TPU）設計。

📌 與 TensorFlow 的差異：

🏗️ 二、工作流程總覽

訓練模型（TensorFlow）
       ↓
轉換為 .tflite（使用 TFLite Converter）
       ↓
部署至行動裝置 / IoT / 嵌入式系統
       ↓
使用 TFLite Interpreter 做推論

🧪 三、TFLite 模型轉換（以 Python 為例）

1️⃣ 安裝 TensorFlow

pip install tensorflow

2️⃣ 將已訓練模型轉成 .tflite

✅ 轉換 SavedModel

import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_saved_model("my_model")  # 資料夾
tflite_model = converter.convert()

# 儲存為 .tflite 檔
with open("model.tflite", "wb") as f:
    f.write(tflite_model)

✅ 轉換 Keras 模型

model = tf.keras.models.load_model("model.h5")
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

📦 四、TFLite 推論範例（Python）

安裝推論庫：

pip install tflite-runtime

🔍 使用 tflite-runtime 推論

import numpy as np
import tflite_runtime.interpreter as tflite

# 載入模型
interpreter = tflite.Interpreter(model_path="model.tflite")
interpreter.allocate_tensors()

# 取得輸入 / 輸出資訊
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# 模擬一筆輸入資料
input_data = np.array([[0.1, 0.2, 0.3]], dtype=np.float32)

# 輸入資料
interpreter.set_tensor(input_details[0]['index'], input_data)
interpreter.invoke()

# 取得輸出
output_data = interpreter.get_tensor(output_details[0]['index'])
print(output_data)

🎯 五、進階功能：模型量化（減小檔案大小 & 提升效能）

量化（Quantization）會將 float32 模型轉為 int8，極大減少模型大小，並加快推論速度。

🔧 範例：整數量化

converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

💡 六、Raspberry Pi 上部署 TFLite 模型

pip install tflite-runtime

支援硬體：

• Raspberry Pi

• Coral Edge TPU（搭配 quantized 模型）

• Nvidia Jetson（使用 Jetson 特製版本）

🧰 七、應用案例

🔗 官方資源

• TensorFlow Lite 官方

• 量化教學

• TFLite 模型範例