Помогают защитить Большой Барьерный Риф с TensorFlow на Kaggle Присоединяйтесь вызов

Конвертер TensorFlow Lite

Преобразователь TensorFlow Lite принимает модель TensorFlow и формирует модель TensorFlow Lite (оптимизированный FlatBuffer формат идентифицированного .tflite расширения файла). У вас есть два варианта использования конвертера:

  1. Python API (рекомендуется): Это облегчает для преобразования моделей в качестве части трубопровода разработки модели применяются оптимизации, добавление метаданных и имеют гораздо больше возможностей.
  2. Командная строка : Это поддерживает только основные преобразования модели.

Рабочий процесс конвертера TFLite

Python API

Helper код: Для того, чтобы определить установленную версию TensorFlow, запустите print(tf.__version__) и узнать больше о TensorFlow Lite конвертер API, запустить print(help(tf.lite.TFLiteConverter)) .

Если вы установили TensorFlow 2.x , у вас есть два варианта: (если вы установили TensorFlow 1.x , обратитесь к Github )

В следующем примере показано , как преобразовать SavedModel в модель TensorFlow Lite.

import tensorflow as tf

# Convert the model
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) # path to the SavedModel directory
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Преобразование модели Кераса

В следующем примере показано , как преобразовать Keras модель в модель TensorFlow Lite.

import tensorflow as tf

# Create a model using high-level tf.keras.* APIs
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1]),
    tf.keras.layers.Dense(units=16, activation='relu'),
    tf.keras.layers.Dense(units=1)
])
model.compile(optimizer='sgd', loss='mean_squared_error') # compile the model
model.fit(x=[-1, 0, 1], y=[-3, -1, 1], epochs=5) # train the model
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_keras_dir")

# Convert the model.
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Преобразование конкретных функций

В следующем примере показано , как преобразовать конкретные функции в модели TensorFlow Lite.

import tensorflow as tf

# Create a model using low-level tf.* APIs
class Squared(tf.Module):
  @tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.float32)])
  def __call__(self, x):
    return tf.square(x)
model = Squared()
# (ro run your model) result = Squared(5.0) # This prints "25.0"
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_tf_dir")
concrete_func = model.__call__.get_concrete_function()

# Convert the model.
# Notes that for the versions earlier than TensorFlow 2.7, the
# from_concrete_functions API is able to work when there is only the first
# argument given:
# > converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func])
converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func],
                                                            model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Другие особенности

  • Применение оптимизаций . Общая оптимизация используется после тренировки квантование , который может дополнительно уменьшить задержку модели и размер с минимальной потерей точности.

  • Добавить метаданные , что делает его более легким для создания платформы конкретного кода обертки при развертывании модели на устройствах.

Ошибки преобразования

Ниже приведены распространенные ошибки преобразования и способы их устранения:

  • Ошибка: Some ops are not supported by the native TFLite runtime, you can enable TF kernels fallback using TF Select. See instructions: <a href="https://www.tensorflow.org/lite/guide/ops_select">https://www.tensorflow.org/lite/guide/ops_select</a> TF Select ops: ..., .., ... с Some ops are not supported by the native TFLite runtime, you can enable TF kernels fallback using TF Select. See instructions: <a href="https://www.tensorflow.org/lite/guide/ops_select">https://www.tensorflow.org/lite/guide/ops_select</a> TF Select ops: ..., .., ...

    Решение: ошибка возникает из-за того, что в вашей модели есть операции TF, которые не имеют соответствующей реализации TFLite. Вы можете решить эту проблему путем использования цит TF в модели TFLite (рекомендуется). Если вы хотите создать модель только с TFLite опсом, вы можете либо добавить запрос на недостающую TFLite ор в Github выпуск # 21526 (оставьте комментарий , если ваш запрос не был уже упоминались) или создать TFLite цит самостоятельно.

  • Ошибка: .. is neither a custom op nor a flex op

    Решение: Если эта операция TF:

Инструмент командной строки

Настоятельно рекомендуется использовать API Python , перечисленных выше вместо этого, если это возможно.

Если вы установили TensorFlow 2.x от ПУМ , используйте tflite_convert команды следующим образом : (если вы установили TensorFlow 2.x от источника , то вы можете заменить « tflite_convert » с ' bazel run //tensorflow/lite/python:tflite_convert -- 'в следующих разделах, и если вы установили TensorFlow 1.x , то обратитесь к Github ( ссылка , примеры ))

tflite_convert : Для того, чтобы просмотреть все доступные флаги, используйте следующую команду:

$ tflite_convert --help

`--output_file`. Type: string. Full path of the output file.
`--saved_model_dir`. Type: string. Full path to the SavedModel directory.
`--keras_model_file`. Type: string. Full path to the Keras H5 model file.
`--enable_v1_converter`. Type: bool. (default False) Enables the converter and flags used in TF 1.x instead of TF 2.x.

You are required to provide the `--output_file` flag and either the `--saved_model_dir` or `--keras_model_file` flag.

Преобразование SavedModel

tflite_convert \
  --saved_model_dir=/tmp/mobilenet_saved_model \
  --output_file=/tmp/mobilenet.tflite

Преобразование модели Keras H5

tflite_convert \
  --keras_model_file=/tmp/mobilenet_keras_model.h5 \
  --output_file=/tmp/mobilenet.tflite

Следующие шаги

Используйте интерпретатор TensorFlow Lite для вывода выполнения на клиентском устройстве (например , мобильный, встроенный).