为什么TensorFlow Lite比台式机上的TensorFlow慢？

我目前正在研究单图像超分辨率，并且设法冻结了现有的检查点文件并将其转换为tensorflow lite。但是，当使用.tflite文件执行推理时，对一幅图像进行升采样所花费的时间至少是使用.ckpt文件恢复模型时所花费的时间的四倍。

使用.ckpt文件的推理是使用session.run（）完成的，而使用.tflite文件的推理是使用解释器.invoke（）完成的。两种操作都是在典型PC上运行的Ubuntu 18 VM上完成的。

我要查找有关此问题的更多信息是top在单独的终端中运行，以查看执行任一操作时的CPU利用率。.ckpt文件的利用率达到270％，而.tflite文件的利用率保持在100％左右。

interpreter.set_tensor(input_details[0]['index'], input_image_reshaped)
interpreter.set_tensor(input_details[1]['index'], input_bicubic_image_reshaped)
start = time.time()
interpreter.invoke()
end = time.time()

与

y = self.sess.run(self.y_, feed_dict={self.x: image.reshape(1, image.shape[0], image.shape[1], ch), self.x2: bicubic_image.reshape(1, self.scale * image.shape[0], self.scale * image.shape[1], ch), self.dropout: 1.0, self.is_training: 0})

一种假设是没有为多线程配置tensorflow lite，另一种认为是针对ARM处理器（而不是我的计算机所运行的Intel处理器）优化了tensorflow lite，因此速度较慢。但是，我不能肯定地说，也不知道如何找到问题的根源-希望外面有人对此有更多的了解？

是的，当前的TensorFlow Lite操作内核已针对ARM处理器进行了优化（使用NEON指令集）。如果SSE可用，它将尝试使用NEON_2_SSE使NEON调用适应SSE，因此它仍应与某种SIMD一起运行。但是，我们并未花太多精力来优化此代码路径。

关于线程数。C ++ API中有一个SetNumThreads函数，但尚未在Python API中公开。如果未设置，则基础实现可能会尝试探查可用核心的数量。如果您自己构建代码，则可以尝试更改该值并查看它是否影响结果。

希望这些会有所帮助。