我的是ubuntu16.04版本，GPU2080T台式机，以前已经安装了tensorflow1.13.1GPU版本，而且已经训练好了自己的目标物模型，在树莓派3上使用此模型识别的时候（调用CSI摄像头实时识别，当然这里有很多工作需要做，包括tensorflow1.13.1树莓派安装，python3.5编译安装，opencv3.4.5编译安装以及一些依赖包的安装，以及python编程解析模型，并调用摄像头实时处理图像，此处省略），识别率不输台式机，但延时5–10s，听说想优化模型需要源码安装tensorflow，并且使用bazel（不支持window系统），可是自己已经费了好多时间弄好了人工智能的工作环境(听说ancoda专业解决此问题)，不舍得卸载啊！于是，决定另外装一个tensorflow1.13.1，管它后果呢，肯定比重装强。
一、安装bazel
装的时候发现我以前已经装过最新的0.27版本，可tensorflow官方说tensorflow1.13.1需要bazel 0.19.2版本，于是乎降低bazel版本成了大问题，搜了好多，没找到关于降低版本的办法，最后用rm -r 指令强行删除0.27版本，用法如下:
rm -r test 就是删除当前目录下的test，不管它是文件还是文件夹或者目录
终端直接输入:
bazel
会输出bazel版本信息，如果没有反应，那说明你没有装bazel或者没有设置bazel的环境，我就是通过此命令发现我已经安装了bazel0.27了的。想知道bazel安装后的路径，终端直接输入:
whereis bazel
会输出bazel路径，此路径替换掉上面的test就可以删掉0.27版本，相当于卸载它。我的 bazel路径为：
/home/siat/bin/bazel
好了，卸载完高版本，就可以安装0.19。2版本了。官网下载：
https://github.com/bazelbuild/bazel/releases ----- 下载installer-linux-x86_64.sh文件
或者我网盘：https://pan.baidu.com/s/1bLdGXBZau0yXQPNk6Gwxyg
chmod +x bazel--installer-linux-x86_64.sh (赋予运行权限)
./bazel--installer-linux-x86_64.sh --user （安装，前面的./很重要）
export PATH=“ P A T H : PATH: PATH:HOME/bin” （最后设置环境变量）
到此为止，bazel已经安装并设置完成，安装完成后，千万不要更新bazel，否则你0.19.2不保啊，tensorflow1.13.1就无法buuild了。听说还要用到JDK8,我也安装了一下。
安装JDK：
sudo apt-get install openjdk-8-jdk
终端显示我已经有更新的JDK了，所以就省心了。
二、tensorflow1.13.1源码安装
github上下载tensorflow-1.13.1.zip，或者我网盘：https://pan.baidu.com/s/1Nu4MjwE39KDMsVBxH5Ll_Q 并解压到当前文件夹，会自动生成一个tensorflow-1.13.1的文件夹。终端进入此目录，以下所有操作都是在此目录下进行的。
1.配置tensorflow安装环境：
./configure
配置安装环境，全部选no，python library paths不要用默认，为：/usr/lib/python3.5 其它morning。虽然有GPU，但我选了不使用GPU，因我试了失败，关于GPU的设置和术语我实在是招架不住，优化个模型而已，至于这么认真么？索性cpu没有辜负我，哈哈。后来才发现使用bazel优化模型不需要到安装tensroflow那一步，只要build完tensorflow就行了。
2.编译pip安装包：
bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package
编译完以后，在此文件夹下会多出几个bazel开头的快捷方式文件夹，此时说明已经可以在此目录下优化瘦身.pb模型了。
这一阶段要等很久，我的2万多配置的台式机用了40分钟左右。
3.生成pip安装包.whl文件（纯粹优化模型的话，这步不要）：
sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
生成的安装包会放在你的机器名（我的hzt）文件夹下面的 tmp中的tensorflow_pkg中,而不是当前目录下，我困惑了好久，以为没有成功生成安装包呢，怎么都找不到tmp文件夹，后来自己在此目录下建立了一个，生成完，还是空空如也。
此步很快，我的有好多个warning，都是找不到什么文件的，不用管它。在tmp/tensorflow_pkg目录下找到tensorflow-1.13.1-cp35-cp35m-linux_x86_64.whl就行。
4.安装（纯粹优化模型的话，这步不要）：
sudo pip3 install tensorflow-1.13.1-cp35-cp35m-linux_x86_64.whl
三、优化.pb模型
为了安全起见，编译graph_transforms文件夹中的transform_grap（没此步应该也可以，没敢试），在tensorflow1.13.1目录，输入以下指令编译（耗时10几分钟）：
bazel build tensorflow/tools/graph_transforms:transform_grap
把训练好的frozen_inference_graph.pb模型拷贝到上文的tensorflow-1.13.1目录下，输出命名为：frozen_graph_quantized.pb。终端输入：
bazel-bin/tensorflow/tools/graph_transforms/transform_graph --in_graph=frozen_inference_graph.pb --outputs=“output_node_name” --out_graph=frozen_graph_quantized.pb --transforms=‘quantize_weights’
模型frozen_inference_graph.pb小22M，优化后frozen_graph_quantized.pb大小6M.
把优化后的模型放到树莓派上测试，同一位置，识别精度低28%，并且误识别率很高，会把其它物体识别成目标物，最重要的是识别时间没有缩短，延时5–10s.所以放弃模型优化！
另外说一下，transform_graph在tensorflow1.13.1目录下tensorflow/tools文件夹里的graph_transforms，还有一个量化瘦身模型的在tensorflow1.13.1目录下tensorflow/contrib文件夹下的quantize中，不用bazel，有现成的py文件，optimize_for_inference.py删除节点的方法直接可用。据说没transform_graph好用。 后来总结了一下，发现只有一种可能加速了，那就是采用内存映射的方式，这一种方式是在运行时控制内存占用的一种有效方式，只是使用起来与原本的PB文件调用方式有些不同，从整个文件读到内存中变成内存的映射，这能大量的节省内存带宽以及占用量。
使用发放如下：
bazel-bin/tensorflow/contrib/util/convert_graphdef_memmapped_format
–in_graph=/tf_files/rounded_graph.pb
–out_graph=/tf_files/mmapped_graph.pb
听说 经过这个脚本输出的PB文件不能再Python中直接调用，所以我们暂时也无法检测其可行性，需要在手机端调用，ios有成功例子，安卓端 少见。