Note:这个答案是为 Tensorflow 1.x 编写的，虽然概念和核心思想在 TensorFlow 2.x 中保持不变，但这个答案中的命令可能已被弃用。
TF-Lite 的机制使得检查图并获取内部节点的中间值的整个过程有点棘手。这get_tensor(...)其他答案建议的方法不起作用。
如何可视化 TF-Lite 推理图？
TensorFlow Lite 模型可以使用以下方式可视化可视化.py https://github.com/tensorflow/tensorflow/blob/master/tensorflow/lite/tools/visualize.py脚本中的TensorFlow Lite 存储库 https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite。您只需要：
-
克隆 TensorFlow 存储库 https://www.tensorflow.org/install/source
-
Run the visualize.py带有 bazel 的脚本：
bazel run //tensorflow/lite/tools:visualize \
model.tflite \
visualized_model.html
我的 TF 模型中的节点在 TF-Lite 中是否具有等效节点？
NO!事实上，TF-Lite 可以修改您的图表，使其变得更加优化。以下是来自TF-Lite 文档 https://www.tensorflow.org/lite/guide/ops_compatibility:
许多 TensorFlow 操作都可以由 TensorFlow Lite 处理，尽管它们没有直接的等效项。这种情况可以简单地从图中删除（tf.identity）、用张量（tf.placeholder）替换或融合到更复杂的操作（tf.nn.bias_add）中。有时，甚至某些受支持的操作也可能会通过这些过程之一被删除。
此外，TF-Lite API目前不允许获取节点对应关系； TF-Lite 的内部格式很难解释。因此，即使没有下面的另一个问题，您也无法获得所需的任何节点的中间输出......
我可以获得某些 TF-Lite 节点的中间值吗？
NO!这里我就解释一下为什么get_tensor(...) https://www.tensorflow.org/api_docs/python/tf/lite/Interpreter#get_tensor在 TF-Lite 中不起作用。假设在内部表示中，图包含 3 个张量，以及中间的一些密集操作（节点）（您可以认为tensor1作为输入和tensor3作为模型的输出）。在这个特定图的推理过程中，TF-Liteonly需要 2 个缓冲区，让我们展示一下如何操作。
First, use tensor1计算tensor2通过应用dense手术。这只需要 2 个缓冲区来存储值：
dense dense
[tensor1] -------> [tensor2] -------> [tensor3]
^^^^^^^ ^^^^^^^
bufferA bufferB
Second,使用的值tensor2存储在bufferB计算tensor3... 可是等等！我们不需要bufferA不再了，所以让我们用它来存储值tensor3:
dense dense
[tensor1] -------> [tensor2] -------> [tensor3]
^^^^^^^ ^^^^^^^
bufferB bufferA
现在是棘手的部分。 “产值”为tensor1仍会指向bufferA，现在的值是tensor3。所以如果你打电话get_tensor(...) https://www.tensorflow.org/api_docs/python/tf/lite/Interpreter#get_tensor对于第一个张量，您将得到不正确的值。这该方法的文档 https://www.tensorflow.org/api_docs/python/tf/lite/Interpreter#get_tensor甚至指出：
该函数不能用于读取中间结果。
如何解决这个问题？
-
简单但有限的方法。您可以指定节点的名称，以及要在转换期间获取其值的输出张量：
tflite_convert \
-- # other options of your model
--output_arrays="output_node,intermediate/node/n1,intermediate/node/n2"
-
困难但灵活的方式。您可以使用 Bazel 编译 TF-Lite（使用这条指令 https://www.tensorflow.org/install/source）。然后你实际上可以注入一些日志代码Interpreter::Invoke()在文件中tensorflow/lite/interpreter.cc。一个丑陋的黑客，但它有效。
