1. TFLite模型结构解析：FlatBuffers格式、算子列表、权重存储方式、输入输出张量元信息

好，咱们正式开始。第一章，我打算先带你把TFLite模型「扒个精光」。

你想想看，做模型迁移，第一步是什么？不是急着写代码，而是得先搞清楚你手里这个模型到底长什么样。TFLite模型说白了就是一个二进制文件，后缀通常是.tflite。它用的存储格式叫FlatBuffers，这是Google搞出来的一套高效序列化方案。

我个人习惯，拿到一个陌生模型，第一件事就是把它拆开看看。就像修车师傅，先打开发动机盖，而不是直接拧螺丝。

1.1 FlatBuffers格式：为什么是它？

FlatBuffers和Protocol Buffers（protobuf）有点像，但有个关键区别——它不需要解析就能直接访问数据。什么意思呢？就是你读文件的时候，内存里直接就是结构体，省去了反序列化的开销。

我在项目中遇到过，有些嵌入式设备内存只有几百KB，如果用protobuf，光解析就得占掉一大块。FlatBuffers就友好得多，零拷贝，直接访问。说白了，就是为移动端和嵌入式场景量身定做的。

来看一下它的核心结构：

// FlatBuffers schema 简化示意
table Model {
  version: uint;
  description: string;
  operator_codes: [OperatorCode];
  subgraphs: [SubGraph];
  buffers: [Buffer];
  metadata: [Metadata];
}

table SubGraph {
  tensors: [Tensor];
  inputs: [int];
  outputs: [int];
  operators: [Operator];
}

table Tensor {
  name: string;
  shape: [int];
  type: TensorType;
  buffer: uint;
  quantization: QuantizationParameters;
}

嗯，这里要注意，整个模型就是一个Model table。里面最关键的是三块：operator_codes（算子列表）、subgraphs（子图，通常只有一个）、buffers（权重数据）。

1.2 算子列表：模型里的「指令集」

每个TFLite模型都有一张算子表，存在operator_codes里。每个算子用整数编号表示，比如0代表ADD，1代表CONV_2D。这些编号是固定的，由TFLite官方定义。

我曾经踩过一个坑：某个模型里有个CUSTOM算子，编号是255。当时没注意，直接迁移到Fusion Compiler，结果跑出来全是乱码。后来才发现，CUSTOM算子是用户自定义的，需要单独处理。

常见的算子类型大概有这些：

算子名称	编号	说明
ADD	0	逐元素加法
CONV_2D	3	二维卷积
DEPTHWISE_CONV_2D	4	深度可分离卷积
FULLY_CONNECTED	9	全连接层
SOFTMAX	15	Softmax激活
RESHAPE	22	张量变形

你迁移的时候，需要把这张算子表一一映射到Fusion Compiler的算子集。如果遇到不支持的算子，就得考虑拆解或替换。

1.3 权重存储方式：藏在buffers里的秘密

权重数据存在buffers数组里。每个buffer就是一段二进制数据，对应一个张量的权重。TFLite支持多种量化格式：

• FLOAT32：标准单精度浮点，4字节一个数
• UINT8：8位量化，常用于对称量化
• INT8：8位有符号量化，现在更常见
• INT16：16位量化，精度更高一些

我记得有一次，客户给的模型是UINT8量化，但Fusion Compiler只支持INT8。怎么办？不能直接硬转，得先搞清楚量化参数——scale和zero_point。这两个参数存在Tensor的quantization字段里。

转换公式很简单：

real_value = (quantized_value - zero_point) * scale

反过来：

quantized_value = round(real_value / scale) + zero_point

嗯，这里要注意，不同量化格式的zero_point可能不同。UINT8的zero_point通常是0或128，INT8的zero_point通常是0。搞错了，模型精度直接崩掉。

1.4 输入输出张量元信息

每个张量（Tensor）都包含完整的元信息：

• name：张量名称，调试时很有用
• shape：形状，比如[1, 224, 224, 3]
• type：数据类型，比如FLOAT32、UINT8
• buffer：指向buffers数组的索引，-1表示没有权重（比如中间激活值）
• quantization：量化参数，包含scale和zero_point

输入张量在subgraph的inputs数组里指定，输出张量在outputs数组里。通常inputs[0]就是模型的输入，outputs[0]就是模型的输出。

我建议你写个小脚本，把模型的输入输出信息打印出来：

import tensorflow as tf

interpreter = tf.lite.Interpreter(model_path="model.tflite")
interpreter.allocate_tensors()

input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

for inp in input_details:
    print(f"输入: {inp['name']}, shape: {inp['shape']}, dtype: {inp['dtype']}")

for out in output_details:
    print(f"输出: {out['name']}, shape: {out['shape']}, dtype: {out['dtype']}")

这个脚本我用了无数次，每次迁移前必跑一遍。它能帮你快速确认模型的输入输出是否符合预期。

1.5 知识体系总览

下面这张图，是我画的一个结构总览，帮你把TFLite模型的核心脉络理清楚：

这张图把TFLite模型的核心脉络画清楚了。你迁移的时候，本质上就是在做三件事：算子映射、权重转换、张量元信息对齐。任何一个环节出问题，模型就跑不起来。

好了，第一章就到这里。你先把这些基础概念消化掉，下一章我们开始动手，用代码把TFLite模型拆开，看看里面到底有什么。

---