最近在研究怎么将服务器跑的模型移植到手机端，需要一些问题记录下~
前提知识：
1）熟悉 Graph、GraphDef和MetaGraphDef的含义和区别
2）熟悉tf lite官网上的文档，包括python api和命令行CLI的使用方法（lite converter和lite interpreter）
3）熟悉quantization_aware traning的官网示例（区别于post quantization）
4）熟悉mobilenet_v1官方的train和eval示例
如果熟悉了上面的前提知识，那么手机端lite移植也就不难了~
步骤：
1）使用quantization_aware的方式训练模型（quant delay延迟加载）得到checkpoint文件。（包含模型变量的参数值）
2）将train graph转为eval graph。（模型图的前向传播图，只包含结果，不包含参数值）
3）基于eval graph，得到frozen graph（freeze_graph命令行工具），将变量转为常量~。（将ckpt文件中变量值附加到前向传播图中，作为参数常量存在，也就是“frozen”的意思[将变量冻结为常量]~）
4）调用toco命令行工具，将frozen graph转为lite graph（指定输入和输出的name、输入的大小、inference的输入和输出类型、GraphDef或其他包含GraphDef的格式文件等等）。
采坑：
1）量化的graph目标不是train graph，而是eval graph
2）python api方式转为lite一直报错，转为freeze_graph+toco解决
3）freeze_graph和toco命令行的参数说明
4）input_shape要前后始终统一
5）要熟悉Graph、GraphDef、MetaGraphDef等区别
6）熟悉summary.save、savedModel、save_graph_def和export_meta_graph等api的区别
7）熟悉tf的整个流程，深刻理解tensor和operation的作用和地位
8）post quantization和quantization-aware训练模型，量化处理的方式不一样（详情见tf官方文档）
如何保证量化之后的精度：
待定~
-- over --
