Google I/O to frajda! Nadrobić zaległości w sesjach TensorFlow Zobacz sesje

Konwerter TensorFlow Lite

Konwerter TensorFlow Lite zajmuje model TensorFlow i generuje model TensorFlow Lite (zoptymalizowaną FlatBuffer formatu zidentyfikowany przez .tflite rozszerzenia pliku). Masz dwie możliwości korzystania z konwertera:

  1. Python API (zalecane): To ułatwia konwersję modeli jako część rurociągu modelu rozwoju, stosuje optymalizacje, dodawać metadane i ma wiele więcej funkcji.
  2. Linia komend : To urządzenie obsługuje tylko podstawową przemianę modelu.

Przepływ pracy konwertera TFLite

API Pythona

Helper Kod: Aby zidentyfikować zainstalowaną wersję TensorFlow uruchom print(tf.__version__) i dowiedzieć się więcej o TensorFlow Lite kalkulator automatycznie, uruchom print(help(tf.lite.TFLiteConverter)) .

Jeśli masz zainstalowany TensorFlow 2.x , masz dwie następujące opcje: (jeśli masz zainstalowany TensorFlow 1.x , patrz Github )

Konwertuj SavedModel (zalecane)

Poniższy przykład pokazuje, jak konwertować SavedModel do modelu 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)

Konwersja modelu Kerasa

Poniższy przykład pokazuje, jak konwertować Keras modelu do modelu 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)

Konwertuj konkretne funkcje

Poniższy przykład pokazuje, jak przekształcają funkcje konkretnych do modelu 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)

Inne funkcje

  • Zastosuj optymalizacje . Częstym optymalizacji używany jest kwantyzacji szkolenie postu , który może dodatkowo zmniejszyć opóźnienia modelu i rozmiaru z minimalną utratą dokładności.

  • Dodaj metadane , które ułatwia tworzenie platformy specyficzny kod otoki podczas wdrażania modeli urządzeń.

Błędy konwersji

Poniżej przedstawiono typowe błędy konwersji i ich rozwiązania:

  • Błąd: 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: ..., .., ...

    Rozwiązanie: Błąd pojawia się, ponieważ twój model ma operacje TF, które nie mają odpowiedniej implementacji TFLite. Można rozwiązać ten problem za pomocą op TF w modelu TFLite (zalecane). Jeśli chcesz, aby wygenerować model przewidujący tylko ops TFLite, można dodać wniosek o brakującym TFLite op w GitHub emisyjnej # 21526 (komentarza, jeśli żądanie nie zostało już wspomniano) lub utworzyć op TFLite samodzielnie.

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

    Rozwiązanie: Jeśli ta operacja TF to:

Narzędzie wiersza poleceń

Jest wysoce zalecane, aby użyć API Pythona wymienione powyżej, a nie, jeśli to możliwe.

Jeśli masz zainstalowany TensorFlow 2.x z PIP , użyj tflite_convert polecenia w następujący sposób: (jeśli masz zainstalowany TensorFlow 2.x ze źródła to można zastąpić „ tflite_convert ” z ' bazel run //tensorflow/lite/python:tflite_convert -- "w następujących sekcjach, a jeśli już zainstalowany TensorFlow 1.x następnie odwołać się do Github ( odniesienia , przykłady ))

tflite_convert : Aby zobaczyć wszystkie dostępne flagi, należy użyć następującego polecenia:

$ 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.

Konwersja zapisanego modelu

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

Konwersja modelu Keras H5

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

Następne kroki

Użyj tłumacza TensorFlow Lite Aby uruchomić wnioskowania na urządzeniu klienckim (np mobile, wbudowane).