FaceNet 和 MTCNN 转 TFLITE
pipenv install # 布道 pipenv , 通过使用 pipenv 安装所有依赖包，使用其他版本的包，有可能出现各种转换问题。
转换 FaceNet
cd facenet
pipenv shell # 孵化出运行项目的 shell 环境，以下命令需要在该环境中运行
| Model name | LFW accuracy | Training dataset | Architecture |
|---|---|---|---|
| 20180402-114759 | 0.9965 | VGGFace2 | Inception ResNet v1 |
将预训练模型 20180402-114759 下载并解压至 model_pc，如下图所示：
将作者提供的 training graph 转为 eval graph，因为不转换为 eval 会附带很多 training 的 op， 并且有很多 op TFLite 和 Core ML 等移动框架并不支持。(最主要的问题是 TFLite 目前不支持 Bool 型标量，比如：phase_train)
python eval_graph.py model_pc model_pc_eval如下所示：
使用转换后的 eval graph，将参数和结构固化，这里我们用 facenet 自带的 freeze_graph.py 脚本，不过由于我们之前导出的是 eval graph 所以 phase_train 这个参数输入被我们删除了，导致输出的 facenet.pb 只有一个输入节点 input shape=(1, 64, 64, 3) 和一个输出 output shape=(1,512)
python freeze_graph.py model_pc_eval facenet.pb将生成的 facenet.pb 转化为 tflite 格式：
tflite_convert --output_file model_mobile_eval/facenet.tflite --graph_def_file facenet.pb --input_arrays "input" --input_shapes "1,160,160,3" --output_arrays output --output_format TFLITE祝贺你，你会在文件夹 model_mobile_eval 中找到 facenet.tflite 文件。此时如果你不再需要你的虚拟环境，你可以运行:
pipenv rm