MPolaris

Hello, after the conversion is completed, the tool will compare the output of onnx and tflite for the same set of data. If the maximum element error exceeds 1e-2, an...

因为pytorch和onnx数据格式基本都是channel first的，而tensorflow是channel last的。因此你只需要对输出做一个tranpose。

hello, it's seems `onnx_model_path` args of onnx_converter function is not same to torch.onnx.export. more, can you share `mnist.onnx`?

你只需要新加入算子映射就好，你可以参照readme里面的添加HardSigmoid算子流程，在layers/conv_layers.py文件中加入相关实现即可。 另外在ONNX中，所有类型的卷积均被称为`Conv`，是通过`weight.shape`来区分Conv1d、Conv2d，通过`group`来区分是否是分组卷积(或者深度可分离卷积)。具体实现请查看[这里的代码](https://github.com/MPolaris/onnx2tflite/blob/main/layers/conv_layers.py#L95-L102)。 最后，非常欢迎提交PR。

depthwiseconv3d就是3d可分离卷积，目前tensorflow似乎没有支持3d可分离卷积，你可以使用group卷积来代替，请参考`TFGroupConv`和`TFDepthwiseConv`类。 你开发测试完成欢迎提交一个PR。

目前你可以自行修改`builder.py` `converter.optimizations = [tf.lite.Optimize.DEFAULT]` `converter.target_spec.supported_types = [tf.float16]`

你现在可以更新onnx2tflite，在转换的时候设置`fp16_model=ture`

onnx2tflite has not implement `NonMaxSuppression` op yet. there are currently no relevant plans, PR is very welcome.

I think it's completely feasible, you should make some change at file(utils/graph_tools.py#35, function `build_tf_inputs`), make input's layout to `FORCE_CHANNEL_FIRST_OP`.

这倒是一个不常用的奇葩姿势哈。 不过应该也比较好解决，你可以尝试解决一下，提交一个PR~