用途
本技能用于将训练完成的 TensorFlow 模型部署到生产环境，覆盖从模型导出、优化、转换到服务化的完整链路。适用于需要把模型部署到服务器、移动设备（iOS、Android）、边缘设备与 IoT 场景，或需要压缩模型体积、降低推理延迟的场合。
主要能力
SavedModel 导出
支持将 Keras 模型保存为 SavedModel 格式并重新加载预测；可从分类器创建 serving model 并检查输入输出形状；可通过 @tf.function 定义 serving signature，使用 tf.saved_model.save 以 serving_default 签名导出。
TensorFlow Lite 转换
支持从 SavedModel、Keras 模型、concrete function 三种来源转换为 TFLite；可通过 Model Maker 的 model.export 导出 TFLite、SavedModel、标签与词表等多种格式。
模型量化
提供训练后量化方案：Float16 量化（QuantizationConfig.for_float16()）、动态范围量化（tf.lite.Optimize.DEFAULT）、全整型量化（需 representative dataset 校准，指定 TFLITE_BUILTINS_INT8 与 int8 输入输出类型）。还包含量化调试（mlir_quantize 配合 enable_numeric_verify）以及通过 get_converter_with_quantization 应用量化配置。
JAX 到 TFLite 转换
通过 orbax.export 的 JaxModule、ServingConfig、ExportManager 将 JAX 模型导出为 SavedModel 再转为 TFLite，支持直接转换与带前后处理的转换，并给出 ResNet50 示例。
模型优化
提供图变换工具 transform_graph 的构建与使用（strip_unused_nodes、remove_nodes、fold_constants、fold_batch_norms 等），用于移动端部署优化与修复移动端 kernel 错误；并给出 EfficientDet 的 SavedModel 导出与 TFLite 转换流程。
移动端部署
支持通过 adb 推送 TFLite 模型到 Android 设备并运行 benchmark；演示 TFLite Interpreter 的加载、张量分配、输入设置、推理调用与输出获取。
分布式训练与服务
包含 MirroredStrategy 多 GPU 训练与模型保存；TPU 变量重格式化优化（MLIR 层面）；TensorFlow Serving 的版本化导出、Docker 部署与 REST API 调用示例。
验证与测试
提供 TFLite 模型与原模型预测对比（平均/最大绝对差）、模型体积对比（SavedModel 与 TFLite 大小及压缩比例）等验证方法。
使用方式
按需选择流程：先导出 SavedModel，再按目标平台转换为 TFLite 或直接用于 TensorFlow Serving；如需压缩则叠加量化配置；部署前用验证脚本对比预测差异与模型体积。文中所有代码、命令与路径均按原样保留。
适用场景
生产环境模型服务、移动端与边缘端推理、模型压缩与加速、JAX/PyTorch 模型转 TensorFlow 格式、多版本模型 A/B 测试、云端（GCP、AWS、Azure）部署、端侧 ML 应用、特定硬件加速器优化。
限制
资料未提供具体的性能基准数据、支持的 TensorFlow 版本范围、各量化方案在特定任务上的精度损失数值，也未提供收费、价格或平台支持细节，这些内容暂未提供。