TensorFlow Lite के साथ JAX मॉडल

यह पृष्ठ उन उपयोगकर्ताओं के लिए एक पथ प्रदान करता है जो JAX में मॉडलों को प्रशिक्षित करना चाहते हैं और अनुमान के लिए मोबाइल पर तैनात करना चाहते हैं ( उदाहरण के लिए कोलाब )।

इस गाइड की विधियाँ एक tflite_model उत्पन्न करती हैं जिसका उपयोग सीधे TFLite दुभाषिया कोड उदाहरण के साथ किया जा सकता है या TFLite फ़्लैटबफ़र फ़ाइल में सहेजा जा सकता है।

शर्त

इस सुविधा को नवीनतम TensorFlow रात्रिकालीन Python पैकेज के साथ आज़माने की अनुशंसा की जाती है।

pip install tf-nightly --upgrade

हम JAX मॉडल निर्यात करने के लिए ऑर्बैक्स एक्सपोर्ट लाइब्रेरी का उपयोग करेंगे। सुनिश्चित करें कि आपका JAX संस्करण कम से कम 0.4.20 या उससे ऊपर है।

pip install jax --upgrade
pip install orbax-export --upgrade

JAX मॉडल को TensorFlow Lite में कनवर्ट करें

हम JAX और TensorFlow Lite के बीच मध्यवर्ती प्रारूप के रूप में TensorFlow SavedModel का उपयोग करते हैं। एक बार जब आपके पास सेव्डमॉडल हो जाए तो रूपांतरण प्रक्रिया को पूरा करने के लिए मौजूदा टेन्सरफ्लो लाइट एपीआई का उपयोग किया जा सकता है।

# 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()

परिवर्तित TFLite मॉडल की जाँच करें

मॉडल को TFLite में परिवर्तित करने के बाद, आप मॉडल आउटपुट की जांच करने के लिए TFLite दुभाषिया API चला सकते हैं।

# 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"])