Эта страница была переведа с помощью Cloud Translation API.
Switch to English

Конвертер TensorFlow Lite

Конвертер TensorFlow Lite берет модель TensorFlow и генерирует модель TensorFlow Lite (оптимизированный формат FlatBuffer , определяемый .tflite файла .tflite ). У вас есть два варианта использования конвертера:

  1. Python API ( рекомендуется ): это упрощает преобразование моделей как часть конвейера разработки моделей, применение оптимизаций, добавление метаданных и имеет множество других функций.
  2. Командная строка : поддерживает только преобразование базовой модели.

Рабочий процесс конвертера TFLite

Python API

Вспомогательный код: чтобы определить установленную версию TensorFlow, запустите print(tf.__version__) а чтобы узнать больше об API конвертера TensorFlow Lite, запустите 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 модель Keras 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 модель TensorFlow Lite.

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)

Другие преимущества

  • Применяйте оптимизацию . Распространенной оптимизацией является квантование после обучения , которое может дополнительно уменьшить задержку и размер вашей модели с минимальной потерей точности.

  • Обработка неподдерживаемых операций. Если в вашей модели есть операторы, у вас есть следующие возможности:

    1. Поддерживается в TensorFlow, но не поддерживается в TensorFlow Lite: если у вас есть ограничения по размеру, вам необходимо создать оператор TensorFlow Lite , в противном случае просто используйте операторы TensorFlow в своей модели TensorFlow Lite.

    2. Не поддерживается в TensorFlow: вам нужно создать оператор TensorFlow, а затем создать оператор TensorFlow Lite . Если вам не удалось создать оператор TensorFlow или вы не хотите его создавать ( не рекомендуется, действуйте с осторожностью ), вы все равно можете выполнить преобразование с помощью метода register_custom_opdefs а затем напрямую создать оператор TensorFlow Lite . Метод register_custom_opdefs принимает список строк, содержащих OpDef (s). Ниже приведен пример TFLiteAwesomeCustomOp с 1 входом, 1 выходом и 2 атрибутами:

  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

Инструмент командной строки

По возможности настоятельно рекомендуется использовать вместо него указанный выше Python API .

Если вы установили TensorFlow 2.x из pip , используйте команду tflite_convert следующим образом: ( если вы установили TensorFlow 2.x из исходного кода, вы можете заменить tflite_convert на bazel run //tensorflow/lite/python:tflite_convert -- 'в следующих разделах, и если вы установили TensorFlow 1.x, обратитесь к Github ( ссылка , примеры ))

tflite_convert : 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

  • Добавьте метаданные , которые упрощают создание кода оболочки для конкретной платформы при развертывании моделей на устройствах.
  • Используйте интерпретатор TensorFlow Lite для выполнения вывода на клиентском устройстве (например, мобильном, встроенном).