سوالی دارید؟ در انجمن بازدید از انجمن TensorFlow با انجمن ارتباط برقرار کنید

مبدل TensorFlow Lite

مبدل TensorFlow Lite یک مدل TensorFlow گرفته و یک مدل TensorFlow Lite (یک قالب بهینه شده FlatBuffer که با پسوند پرونده .tflite مشخص شده است) تولید می کند. برای استفاده از مبدل دو گزینه زیر دارید:

  1. Python API ( توصیه می شود ): این کار تبدیل مدل ها به عنوان بخشی از خط لوله توسعه مدل ، اعمال بهینه سازی ها ، افزودن فراداده را آسان می کند و دارای ویژگی های بسیار بیشتری است.
  2. خط فرمان : این فقط از تبدیل مدل پایه پشتیبانی می کند.

گردش کار مبدل TFLite

Python API

کد راهنما: برای شناسایی نسخه نصب شده TensorFlow ، print(tf.__version__) اجرا کنید print(tf.__version__) و برای کسب اطلاعات بیشتر در مورد API مبدل TensorFlow Lite ، print(help(tf.lite.TFLiteConverter)) اجرا کنید print(help(tf.lite.TFLiteConverter)) .

اگر TensorFlow 2.x را نصب کرده اید ، دو گزینه زیر دارید: ( اگر TensorFlow 1.x را نصب کرده اید ، به Github مراجعه کنید )

مثال زیر نحوه تبدیل SavedModel به مدل TensorFlow Lite را نشان می دهد.

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)

یک مدل Keras را تبدیل کنید

مثال زیر نحوه تبدیل مدل Keras به مدل TensorFlow Lite را نشان می دهد.

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)

توابع بتن را تبدیل کنید

مثال زیر نحوه تبدیل توابع بتن را به مدل TensorFlow Lite نشان می دهد.

import tensorflow as tf

# Create a model using low-level tf.* APIs
class Squared(tf.Module):
  @tf.function
  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
converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func])
tflite_model = converter.convert()

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

ویژگی های دیگر

  • بهینه سازی ها را اعمال کنید. بهینه سازی متداول مورد استفاده ، کمی سازی بعد از آموزش است که می تواند تاخیر و اندازه مدل شما را با حداقل افت دقت کاهش دهد.

  • انجام کارهای پشتیبانی نشده اگر مدل شما دارای اپراتور باشد گزینه های زیر را دارید:

    1. در TensorFlow پشتیبانی می شود اما در TensorFlow Lite پشتیبانی نمی شود: اگر محدودیت اندازه دارید ، باید عملگر TensorFlow Lite را ایجاد کنید ، در غیر این صورت فقط از اپراتورهای TensorFlow در مدل TensorFlow Lite خود استفاده کنید.

    2. در TensorFlow پشتیبانی نمی شود: شما باید اپراتور TensorFlow را ایجاد کنید و سپس اپراتور TensorFlow Lite را ایجاد کنید . اگر در ایجاد اپراتور TensorFlow ناموفق بودید یا مایل به ایجاد آن نیستید ( توصیه نمی شود ، با احتیاط ادامه دهید ) ، هنوز هم می توانید با استفاده از روش register_custom_opdefs تبدیل کنید و سپس مستقیماً عملگر TensorFlow Lite را ایجاد کنید . روش register_custom_opdefs لیستی از یک رشته حاوی OpDef (ها) را می گیرد. در زیر نمونه ای از TFLiteAwesomeCustomOp با 1 ورودی ، 1 خروجی و 2 ویژگی وجود دارد:

        import tensorflow as tf
      
        custom_opdef = """name: 'TFLiteAwesomeCustomOp' input_arg:
        { name: 'In' type: DT_FLOAT } output_arg: { name: 'Out' type: DT_FLOAT }
        attr : { name: 'a1' type: 'float'} attr : { name: 'a2' type: 'list(float)'}"""
      
        # Register custom opdefs before the invocation of converter API.
        tf.lite.python.convert.register_custom_opdefs([custom_opdef])
      
        converter = tf.lite.TFLiteConverter.from_saved_model(...)
        converter.allow_custom_ops = True
      

ابزار خط فرمان

به شما توصیه می شود در صورت امکان از Python API ذکر شده در بالا استفاده کنید.

اگر TensorFlow 2.x را از pip نصب کرده اید ، از دستور tflite_convert به شرح زیر استفاده کنید: ( اگر TensorFlow 2.x را از منبع نصب کرده باشید ، می توانید " tflite_convert " را با " bazel run //tensorflow/lite/python:tflite_convert -- جایگزین کنید bazel run //tensorflow/lite/python:tflite_convert -- 'در بخشهای زیر ، و اگر TensorFlow 1.x را نصب کرده اید ، به Github مراجعه کنید ( مرجع ، مثالها )

tflite_convert : برای مشاهده همه پرچم های موجود ، از دستور زیر استفاده کنید:

$ 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.

تبدیل یک SavedModel

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

تبدیل مدل Keras H5

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

مراحل بعدی

  • فراداده را اضافه کنید ، که ایجاد کد بسته بندی مخصوص پلت فرم هنگام استقرار مدل ها در دستگاه ها را آسان می کند.
  • از مفسر TensorFlow Lite برای اجرای نتیجه گیری در دستگاه مشتری (به عنوان مثال تلفن همراه ، جاسازی شده) استفاده کنید.