安装包 支持的参数_使用TVM支持TFLite（中）

在阅读该篇文章之前，建议先阅读该系列文章的上一篇 蓝色：使用TVM支持TFLite（上），并希望按照上篇文章末尾所提供的文档链接，成功编译安装了TVM。若没有任何问题，你打开Python3以后，import tvm，不应该有任何报错，如下图所示：

让TVM支持TFLite的准备工作

在这一步以后，我们若要让TVM支持运行TFLite模型，我们还需要两个Python安装包：

• Flatbuffers
• TFLite

因为TFLite的模型是Flatbuffer格式，所以我们需要使用安装Flatbuffers来负责解析模型。而第二个TFLite包是我们解析TFLite模型时，我们需要获取到TFLite算子的各种参数信息，如卷积的Padding，Stride等。
第一个安装很简单，仅需要使用pip3 install flatbuffers即可。第二个安装没有pip安装包提供，但是你可以使用我这里的git仓库，该仓库也有详细说明如何安装使用：FrozenGene/tflite

这一切做好以后，你导入flatbuffers / tflite包不应该再有问题。

这一步做完以后，你所需要的工作即已完成。

使用TVM运行TFLite模型

接下来则到了我们使用TVM运行TFLite模型的时候了。在上文提到了你需要打上这一个支持TFLite的PR：[TFLite] Support TFLite FP32 Relay frontend. by FrozenGene · Pull Request #2365 · dmlc/tvm 但是很幸运的是，该PR在写这篇文章的时候已经被Merge进去了，所以现在你只需要更新最新的Master分支代码即可，而且大家看到的该篇文章也是最先看到如何让TVM运行TFLite模型的教程或者说资料，因为我还没有书写英文版的Tutorial进入TVM，所以若有建议也可以反馈给我，帮助我后面书写更好的英文的Tutorial，同时也欢迎对TVM社区目前的文档做的不好的地方提出你的意见：[RFC] Developer Documentation Feedbacks · Issue #2469 · dmlc/tvm 谢谢！

在蓝色：使用TVM支持TFLite（上）时，也讲到了我们需要对图片进行预处理，所以让我们首先如图之前一样的处理：

from PIL import Image
import numpy as np

def preprocess_image(image_file):
    resized_image = Image.open(image_file).resize((224, 224))
    image_data =