您通过 LiteRT 使用的机器学习 (ML) 模型最初是使用 TensorFlow 核心库和工具构建和训练的。使用 TensorFlow 核心构建模型后，您可以将其转换为更小、更高效的机器学习模型格式，即 LiteRT 模型。本部分提供有关将 TensorFlow 模型转换为 LiteRT 模型格式的指南。
转换工作流程
将 TensorFlow 模型转换为 LiteRT 格式有多种途径，具体取决于机器学习模型的内容。作为该流程的第一步，您应评估模型，以确定是否可以直接转换。此评估会根据模型使用的 TensorFlow 操作来确定标准 LiteRT 运行时环境是否支持该模型的内容。如果您的模型使用的运算不在支持的集合中，您可以选择重构模型或使用高级转换技术。
下图显示了转换模型的高级步骤。
图 1. LiteRT 转换工作流程。
以下部分概述了评估和转换模型以供 LiteRT 使用的流程。
输入模型格式
您可以将转换器与以下输入模型格式搭配使用：
- SavedModel（推荐）：以一组文件形式保存在磁盘上的 TensorFlow 模型。
- Keras 模型：使用高级 Keras API 创建的模型。
- Keras H5 格式：Keras API 支持的 SavedModel 格式的轻量级替代方案。
- 基于具体函数构建的模型：使用低阶 TensorFlow API 创建的模型。
您可以将 Keras 模型和具体函数模型都保存为 SavedModel，然后使用推荐的路径进行转换。
如果您有 JAX 模型，可以使用 TFLiteConverter.experimental_from_jax API 将其转换为 LiteRT 格式。请注意，此 API 在实验模式下可能会发生更改。
转换评估
在尝试转换模型之前，请务必先评估模型。在评估时，您需要确定模型的内容是否与 LiteRT 格式兼容。您还应根据模型使用的数据大小、硬件处理要求以及模型的总体大小和复杂程度，确定模型是否适合在移动设备和边缘设备上使用。
对于许多模型，转换器应该可以开箱即用。不过，LiteRT 内置运算符库仅支持部分 TensorFlow 核心运算符，这意味着某些模型可能需要执行额外的步骤才能转换为 LiteRT。 此外，出于性能考虑，LiteRT 支持的某些操作在用法上也有一些限制。请参阅运算符兼容性指南，确定您的模型是否需要重构以进行转换。
模型转换
LiteRT 转换器可根据输入的 TensorFlow 模型生成 LiteRT 模型（一种优化的 FlatBuffer 格式，以 .tflite 为文件扩展名）。您可以加载 SavedModel，也可以直接转换您在代码中创建的模型。
转换器采用 3 个主要标志（或选项）来为您的模型自定义转换：
- 借助兼容性标志，您可以指定转换是否应允许自定义运算符。
- 借助优化标志，您可以指定在转换期间应用的优化类型。最常用的优化技术是后期训练量化。
- 借助元数据标志，您可以向转换后的模型添加元数据，从而在设备上部署模型时可以更轻松地创建平台专用封装容器代码。
您可以使用 Python API 或命令行工具转换模型。如需有关在模型上运行转换器的分步说明，请参阅转换 TF 模型指南。
通常，您会将模型转换为标准 LiteRT 运行时环境或 LiteRT (Beta) 的 Google Play 服务运行时环境。某些高级使用情形需要自定义模型运行时环境，这需要在转换过程中执行额外的步骤。如需了解更多指导，请参阅 Android 概览的高级运行时环境部分。
高级转化
如果您在模型上运行转换器时遇到错误，则很可能是遇到了运算符兼容性问题。TensorFlow Lite 不支持所有 TensorFlow 操作。您可以通过重构模型或使用高级转换选项来解决这些问题，这些选项可让您创建修改后的 LiteRT 格式模型以及该模型的自定义运行时环境。
- 如需详细了解 TensorFlow 和 LiteRT 模型兼容性注意事项，请参阅模型兼容性概览。
- “模型兼容性概览”下的主题涵盖了用于重构模型的高级技术，例如选择运算符指南。
- 如需查看操作和限制的完整列表，请参阅 LiteRT 操作页面。