tensorflow-model-deployment

用途：将训练好的 TensorFlow 模型导出并部署到生产、移动端与边缘设备，涵盖导出、优化、转换、服务化与验证全流程。

主要能力：

1. SavedModel 导出与加载，可用 @tf.function 定义 serving 签名后通过 tf.saved_model.save 保存。
2. TensorFlow Lite 转换：支持从 SavedModel、Keras 模型、concrete function 转换，也可用 Model Maker 导出并附带标签与词表。
3. 量化：Float16、动态范围、全整型（INT8）量化，全整型需提供 representative_dataset 校准，并可开启数值验证调试。
4. JAX 转 TFLite：借助 orbax.export 的 JaxModule、ServingConfig、ExportManager 导出 SavedModel 再转换。
5. 图优化：使用 bazel 构建 transform_graph，执行 strip_unused_nodes、fold_constants、fold_batch_norms 等变换。
6. 服务化：按版本号目录导出，docker pull tensorflow/serving 后挂载模型目录启动容器，通过 REST 接口预测。
7. 移动端：adb push 推送 tflite 模型并用 benchmark_model 测试，或用 tf.lite.Interpreter 加载、分配张量、invoke 推理。
8. 分布式：MirroredStrategy 多 GPU 训练后保存模型。
9. 验证：对比 TFLite 与原模型预测差异，比较 SavedModel 与 TFLite 体积。

使用方式：按需选择导出、转换、量化、优化或服务化代码路径，命令与代码保持原样执行。

适用场景：生产服务、移动与 IoT 边缘部署、模型压缩、多版本 A/B 测试、云平台部署。

限制：资料未提供具体收费、价格、平台支持范围与效果数据；部分内容（如 EfficientDet 导出函数实现、常见陷阱结尾）在资料中不完整，暂未提供。