TFLite模型的开盲盒体验之编辑模型

上期小编带着大家一起认识了一下TFLite格式以及它所依赖的flatbuffer技术（TFLite模型的开盲盒体验 ）。今天，小编带领大家一起揭开TFLite格式的神秘面纱，看看它到底何许神也，并将如何编辑TFLite模型的分解步骤娓娓道来。

首先，我们要借助一个叫做flatc的小工具，首先从github下载到flatbuffer的源码：

gitclonehttps://github.com/google/flatbuffers.git

接下来进入flatbuffer目录，并创建一个名为build的文件夹并进入：

在此目录下打开Windows PowerShell，并输入cmake ..：

等待构建完成：

现在我们看到build目录中多出了一些vs工程，双击打开FlatBuffers.sln, 并在flatc上右键选择Build:

等待编译完成：

我们可以在Debug目录下找到flatc.exe。

目前工具有了，接下来就是处理TFLite模型了，打开模型需要一个schema.fbs文件，只要是电脑中有tensorflow的源码，就能直接搜到：

接下来输入以下指令：

flatc.exe-bschema.fbscifar10.json

可以看到生成一个.json文件：

想必大家还记得上期说到的，TFLite格式的构成：包含了操作符(Operator code)、子图(SubGraph)以及缓冲区(Buffer)。子图中定义了模型中的子图，包括各个Tensor，输入输出的Tensor，以及子图中的各个算子。双击打开所生成的json文件：

那么接下来，就不用小编再多说了吧？有了json格式，就可以直接修改了。简单起见，我们直接将模型的输出变为多个，比如将FullyConnected节点的输出也作为模型输出：

搜索json文件，找到FullyConnected节点：

输出标号为11。找到模型的输出节点，并将11填进去：

保存文件，将json文件重新生成TFLite格式：

flatc.exe-tschema.fbs--cifar10.tflite

重新打开cifar10.tflite文件：

可以看到，我们已经成功将FullyConnected的输出作为模型的输出啦：

转换成功!!! 当然，更加高级的玩法，就请大家自行去挖掘了。小编在这里只是抛砖引玉~

大致思路是先用flatc工具将TFLite模型转换成json文件后，将TFLite模型的修改转换为对json文件进行处理。最后，再通过flatc工具将修改后的json文件重新生成TFLite模型。

相信大家都能改造出属于自己的TFLite模型，祝大家开盲盒顺利！！

开盲盒准备：TFLite模型的开盲盒体验 http://www.eepw.com.cn/article/202405/458552.htm

开盲盒终极：TFLite模型终极开盲盒来啦！ http://www.eepw.com.cn/article/202405/458557.htm