Cette page fournit un chemin pour les utilisateurs qui souhaitent entraîner des modèles dans JAX et les déployer sur mobile pour inférence ( exemple colab ).
Les méthodes de ce guide produisent un tflite_model
qui peut être utilisé directement avec l'exemple de code de l'interpréteur TFLite ou enregistré dans un fichier TFLite FlatBuffer.
Prérequis
Il est recommandé d'essayer cette fonctionnalité avec le dernier package Python nocturne TensorFlow.
pip install tf-nightly --upgrade
Nous utiliserons la bibliothèque Orbax Export pour exporter des modèles JAX. Assurez-vous que votre version JAX est au moins 0.4.20 ou supérieure.
pip install jax --upgrade
pip install orbax-export --upgrade
Convertir des modèles JAX en TensorFlow Lite
Nous utilisons TensorFlow SavedModel comme format intermédiaire entre JAX et TensorFlow Lite. Une fois que vous disposez d'un SavedModel, les API TensorFlow Lite existantes peuvent être utilisées pour terminer le processus de conversion.
# This code snippet converts a JAX model to TFLite through TF SavedModel.
from orbax.export import ExportManager
from orbax.export import JaxModule
from orbax.export import ServingConfig
import tensorflow as tf
import jax.numpy as jnp
def model_fn(_, x):
return jnp.sin(jnp.cos(x))
jax_module = JaxModule({}, model_fn, input_polymorphic_shape='b, ...')
# Option 1: Simply save the model via `tf.saved_model.save` if no need for pre/post
# processing.
tf.saved_model.save(
jax_module,
'/some/directory',
signatures=jax_module.methods[JaxModule.DEFAULT_METHOD_KEY].get_concrete_function(
tf.TensorSpec(shape=(None,), dtype=tf.float32, name="input")
),
options=tf.saved_model.SaveOptions(experimental_custom_gradients=True),
)
converter = tf.lite.TFLiteConverter.from_saved_model('/some/directory')
tflite_model = converter.convert()
# Option 2: Define pre/post processing TF functions (e.g. (de)?tokenize).
serving_config = ServingConfig(
'Serving_default',
# Corresponds to the input signature of `tf_preprocessor`
input_signature=[tf.TensorSpec(shape=(None,), dtype=tf.float32, name='input')],
tf_preprocessor=lambda x: x,
tf_postprocessor=lambda out: {'output': out}
)
export_mgr = ExportManager(jax_module, [serving_config])
export_mgr.save('/some/directory')
converter = tf.lite.TFLiteConverter.from_saved_model('/some/directory')
tflite_model = converter.convert()
# Option 3: Convert from TF concrete function directly
converter = tf.lite.TFLiteConverter.from_concrete_functions(
[
jax_module.methods[JaxModule.DEFAULT_METHOD_KEY].get_concrete_function(
tf.TensorSpec(shape=(None,), dtype=tf.float32, name="input")
)
]
)
tflite_model = converter.convert()
Vérifiez le modèle TFLite converti
Une fois le modèle converti en TFLite, vous pouvez exécuter les API de l'interpréteur TFLite pour vérifier les sorties du modèle.
# Run the model with TensorFlow Lite
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors() input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
interpreter.set_tensor(input_details[0]["index"], input_data)
interpreter.invoke()
result = interpreter.get_tensor(output_details[0]["index"])