TfLite:为什么推荐使用from_saved_model()而不是from_keras_model()？

TfLite是TensorFlow Lite的缩写，是Google开发的一种用于在移动设备、嵌入式设备和物联网设备上部署机器学习模型的解决方案。在使用TfLite将机器学习模型部署到移动设备上时，推荐使用from_saved_model()而不是from_keras_model()的原因有以下几点：

1. 模型格式兼容性： from_saved_model()可以加载保存为SavedModel格式的模型，而SavedModel是TensorFlow的标准模型导出格式。这意味着，如果你的模型已经以SavedModel格式保存，你可以直接使用from_saved_model()加载模型，无需进行额外的转换或修改。而from_keras_model()只能加载Keras模型，如果你的模型不是以Keras格式保存的，你需要先将模型转换为Keras格式再进行加载，这增加了额外的工作量。
2. 模型功能支持： from_saved_model()加载的模型可以包含更多的功能和元数据，比如计算图、自定义操作、变量名等。而from_keras_model()只能加载模型的架构和权重，无法获取模型的其他相关信息。如果你的模型中包含了自定义操作或其他特殊功能，那么使用from_saved_model()可以确保这些功能能够正确地被加载和使用。
3. 跨平台部署： from_saved_model()加载的模型可以更好地支持跨平台部署。SavedModel格式是一种通用的模型导出格式，可以在不同的设备和平台上使用，包括移动设备、嵌入式设备和服务器等。而from_keras_model()加载的模型通常只能在TensorFlow环境中使用，无法轻易地移植到其他平台上。

总之，推荐使用from_saved_model()而不是from_keras_model()是为了确保模型加载的兼容性、功能支持和跨平台部署的便利性。如果你的模型已经以SavedModel格式保存，直接使用from_saved_model()可以更快捷地加载模型并进行部署。如需了解更多关于TfLite的信息，可参考腾讯云的产品介绍页面：TfLite产品介绍。