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:
- Python API (рекомендуется): Это облегчает для преобразования моделей в качестве части трубопровода разработки модели применяются оптимизации, добавление метаданных и имеют гораздо больше возможностей.
- Командная строка : Это поддерживает только основные преобразования модели.
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 )
Преобразование модели TensorFlow 2.x с помощью
tf.lite.TFLiteConverter
. TensorFlow модель 2.x сохраняется с использованием формата SavedModel и генерируется либо с использованием высокого уровняtf.keras.*
API (модель Keras) или низкого уровняtf.*
(API , из которых можно создавать конкретные функции). В результате у вас есть три следующих варианта (примеры в следующих нескольких разделах):-
tf.lite.TFLiteConverter.from_saved_model()
(рекомендуется): Преобразует SavedModel . -
tf.lite.TFLiteConverter.from_keras_model()
: Преобразует Keras модель. -
tf.lite.TFLiteConverter.from_concrete_functions()
: Преобразует функции бетона .
-
Преобразование модели TensorFlow 1.x используя
tf.compat.v1.lite.TFLiteConverter
(примеры на Github ):-
tf.compat.v1.lite.TFLiteConverter.from_saved_model()
: преобразует SavedModel . -
tf.compat.v1.lite.TFLiteConverter.from_keras_model_file()
: Преобразует Keras модель. -
tf.compat.v1.lite.TFLiteConverter.from_session()
: Преобразует GraphDef из сеанса. -
tf.compat.v1.lite.TFLiteConverter.from_frozen_graph()
: Преобразует замороженный GraphDef из файла. Если у вас есть контрольные точки, то сначала преобразовать его в файл Frozen GraphDef , а затем использовать этот API , как показано здесь .
-
Преобразование SavedModel (рекомендуется)
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: ..., .., ...
сSome 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:
Поддерживается в TF: Ошибка возникает потому , что оп TF отсутствует в allowlist (исчерпывающий перечень опс TF поддерживается TFLite). Вы можете решить эту проблему следующим образом:
Не поддерживается в TF: ошибка возникает из-за того, что TFLite не знает пользовательский оператор TF, определенный вами. Вы можете решить эту проблему следующим образом:
- Создание цит TF .
- Преобразование модели TF к модели TFLite .
- Создание TFLite оп и запустить вывод, связывая его с TFLite выполнения.
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).