我发现我们可以通过多种方式优化 Tensorflow 模型。如果我弄错了，请告诉我。
1- 使用TF-TRT，这个 API 开发者由 tensorflow 和 integreted TensoRT 到 Tensorflow，这个 API 被称为：
从 tensorflow.python.compiler.tensorrt 导入 trt_convert 作为 trt
这个 API 可以应用于任何 tensorflow 模型（新旧版本模型），没有任何转换错误，因为如果这个 API 不支持任何新层，那么 TensorRT 引擎不要考虑这些层，而这些层保留给 Tensorflow 引擎和在 Tensorflow 上运行。对？
2- 使用TensorRT，此 API 由 NVIDA 开发，独立于 Tenorflow 库（未集成到 Tensorflow），此 API 称为：
将张量导入为 trt
如果我们要使用这个api，首先我们必须使用uff-convertor将tensorflow graph转换为UFF，然后将UFF graph解析为这个API。在这种情况下，如果 Tensorflow 图有不受支持的层，我们必须为这些层使用插件或自定义代码，对吗？
3- 我不知道，当我们使用 Tensorflow 模型时，为什么我们使用 UFF 转换器然后使用 TensorRT，我们可以直接使用 TF-TRT API，对吗？如果是这样，您是否通过这两种方法测试了 Tensorflow 优化模型以获得相同的性能？这种 UFF 转换器方法的优点是什么？
我对上述两种情况有一些疑问：
4- 我使用两种情况转换 ssd_mobilenet_v2，在情况 1 中，我的速度略有提高，但在情况 2 中，我取得了更大的进步，为什么？我的观点是，在情况 1 中，API 只考虑转换精度（FP32 …