Inferensi TensorFlow Lite

Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Istilah inferensi mengacu pada proses mengeksekusi model TensorFlow Lite di perangkat untuk membuat prediksi berdasarkan data masukan. Untuk melakukan inferensi dengan model TensorFlow Lite, Anda harus menjalankannya melalui juru bahasa . Penerjemah TensorFlow Lite dirancang agar ramping dan cepat. Interpreter menggunakan pengurutan grafik statis dan pengalokasi memori khusus (kurang dinamis) untuk memastikan beban minimal, inisialisasi, dan latensi eksekusi.

Halaman ini menjelaskan cara mengakses penerjemah TensorFlow Lite dan melakukan inferensi menggunakan C++, Java, dan Python, serta tautan ke sumber daya lain untuk setiap platform yang didukung .

Konsep penting

Inferensi TensorFlow Lite biasanya mengikuti langkah-langkah berikut:

  1. Memuat model

    Anda harus memuat model .tflite ke dalam memori, yang berisi grafik eksekusi model.

  2. Mengubah data

    Data masukan mentah untuk model umumnya tidak sesuai dengan format data masukan yang diharapkan oleh model. Misalnya, Anda mungkin perlu mengubah ukuran gambar atau mengubah format gambar agar kompatibel dengan model.

  3. Menjalankan inferensi

    Langkah ini melibatkan penggunaan TensorFlow Lite API untuk menjalankan model. Ini melibatkan beberapa langkah seperti membangun interpreter, dan mengalokasikan tensor, seperti yang dijelaskan di bagian berikut.

  4. Menafsirkan keluaran

    Saat Anda menerima hasil dari inferensi model, Anda harus menginterpretasikan tensor dengan cara yang berarti yang berguna dalam aplikasi Anda.

    Misalnya, model mungkin hanya mengembalikan daftar probabilitas. Terserah Anda untuk memetakan probabilitas ke kategori yang relevan dan menyajikannya kepada pengguna akhir Anda.

Platform yang didukung

API inferensi TensorFlow disediakan untuk platform seluler/tertanam yang paling umum seperti Android , iOS dan Linux , dalam berbagai bahasa pemrograman.

Dalam kebanyakan kasus, desain API mencerminkan preferensi kinerja daripada kemudahan penggunaan. TensorFlow Lite dirancang untuk inferensi cepat pada perangkat kecil, jadi tidak mengherankan jika API mencoba menghindari salinan yang tidak perlu dengan mengorbankan kenyamanan. Demikian pula, konsistensi dengan TensorFlow API bukanlah tujuan eksplisit dan beberapa variasi antar bahasa diharapkan.

Di semua library, TensorFlow Lite API memungkinkan Anda memuat model, memasukkan input, dan mengambil output inferensi.

Platform Android

Di Android, inferensi TensorFlow Lite dapat dilakukan menggunakan Java atau C++ API. Java API memberikan kemudahan dan dapat digunakan langsung dalam kelas Aktivitas Android Anda. C++ API menawarkan lebih banyak fleksibilitas dan kecepatan, tetapi mungkin memerlukan penulisan pembungkus JNI untuk memindahkan data antara lapisan Java dan C++.

Lihat di bawah untuk detail tentang menggunakan C++ dan Java , atau ikuti panduan memulai Android untuk tutorial dan kode contoh.

Pembuat kode pembungkus Android TensorFlow Lite

Untuk model TensorFlow Lite yang disempurnakan dengan metadata , developer dapat menggunakan pembuat kode wrapper Android TensorFlow Lite untuk membuat kode wrapper khusus platform. Kode pembungkus menghilangkan kebutuhan untuk berinteraksi langsung dengan ByteBuffer di Android. Sebagai gantinya, pengembang dapat berinteraksi dengan model TensorFlow Lite dengan objek yang diketik seperti Bitmap dan Rect . Untuk informasi selengkapnya, lihat pembuat kode wrapper Android TensorFlow Lite .

Platform iOS

Di iOS, TensorFlow Lite tersedia dengan pustaka iOS asli yang ditulis dalam Swift dan Objective-C . Anda juga dapat menggunakan C API secara langsung dalam kode Objective-C.

Lihat di bawah untuk detail tentang menggunakan Swift , Objective-C dan C API , atau ikuti panduan memulai iOS untuk tutorial dan kode contoh.

Platform Linux

Pada platform Linux (termasuk Raspberry Pi ), ​​Anda dapat menjalankan inferensi menggunakan API TensorFlow Lite yang tersedia dalam C++ dan Python , seperti yang ditunjukkan di bagian berikut.

Menjalankan model

Menjalankan model TensorFlow Lite melibatkan beberapa langkah sederhana:

  1. Muat model ke dalam memori.
  2. Bangun Interpreter berdasarkan model yang ada.
  3. Tetapkan nilai tensor masukan. (Secara opsional, ubah ukuran tensor input jika ukuran yang ditentukan sebelumnya tidak diinginkan.)
  4. Panggil inferensi.
  5. Baca nilai tensor keluaran.

Bagian berikut menjelaskan bagaimana langkah-langkah ini dapat dilakukan dalam setiap bahasa.

Muat dan jalankan model di Java

Platform: Android

Java API untuk menjalankan inferensi dengan TensorFlow Lite dirancang terutama untuk digunakan dengan Android, sehingga tersedia sebagai dependensi library Android: org.tensorflow:tensorflow-lite .

Di Java, Anda akan menggunakan kelas Interpreter untuk memuat model dan mendorong inferensi model. Dalam banyak kasus, ini mungkin satu-satunya API yang Anda butuhkan.

Anda dapat menginisialisasi Interpreter menggunakan file .tflite :

public Interpreter(@NotNull File modelFile);

Atau dengan MappedByteBuffer :

public Interpreter(@NotNull MappedByteBuffer mappedByteBuffer);

Dalam kedua kasus tersebut, Anda harus memberikan model TensorFlow Lite yang valid atau API menampilkan IllegalArgumentException . Jika Anda menggunakan MappedByteBuffer untuk menginisialisasi Interpreter , itu harus tetap tidak berubah selama masa Interpreter .

Cara yang lebih disukai untuk menjalankan inferensi pada model adalah dengan menggunakan tanda tangan - Tersedia untuk model yang dikonversi mulai Tensorflow 2.5

try (Interpreter interpreter = new Interpreter(file_of_tensorflowlite_model)) {
  Map<String, Object> inputs = new HashMap<>();
  inputs.put("input_1", input1);
  inputs.put("input_2", input2);
  Map<String, Object> outputs = new HashMap<>();
  outputs.put("output_1", output1);
  interpreter.runSignature(inputs, outputs, "mySignature");
}

Metode runSignature membutuhkan tiga argumen:

  • Inputs : memetakan input dari nama input dalam tanda tangan ke objek input.

  • Keluaran : peta untuk pemetaan keluaran dari nama keluaran dalam tanda tangan ke data keluaran.

  • Nama Tanda Tangan [opsional]: Nama tanda tangan (Dapat dikosongkan jika model memiliki tanda tangan tunggal).

Cara lain untuk menjalankan inferensi ketika model tidak memiliki tanda tangan yang ditentukan. Cukup panggil Interpreter.run() . Sebagai contoh:

try (Interpreter interpreter = new Interpreter(file_of_a_tensorflowlite_model)) {
  interpreter.run(input, output);
}

Metode run() hanya mengambil satu input dan mengembalikan hanya satu output. Jadi, jika model Anda memiliki banyak input atau beberapa output, gunakan:

interpreter.runForMultipleInputsOutputs(inputs, map_of_indices_to_outputs);

Dalam hal ini, setiap entri dalam inputs sesuai dengan tensor input dan map_of_indices_to_outputs memetakan indeks tensor output ke data output yang sesuai.

Dalam kedua kasus tersebut, indeks tensor harus sesuai dengan nilai yang Anda berikan ke TensorFlow Lite Converter saat Anda membuat model. Perhatikan bahwa urutan tensor dalam input harus sesuai dengan urutan yang diberikan ke TensorFlow Lite Converter.

Kelas Interpreter juga menyediakan fungsi yang mudah bagi Anda untuk mendapatkan indeks input atau output model apa pun menggunakan nama operasi:

public int getInputIndex(String opName);
public int getOutputIndex(String opName);

Jika opName bukan operasi yang valid dalam model, ia akan melempar IllegalArgumentException .

Juga berhati-hatilah bahwa Interpreter memiliki sumber daya. Untuk menghindari kebocoran memori, sumber daya harus dilepaskan setelah digunakan oleh:

interpreter.close();

Untuk contoh proyek dengan Java, lihat contoh klasifikasi gambar Android .

Tipe data yang didukung (dalam Java)

Untuk menggunakan TensorFlow Lite, tipe data tensor input dan output harus salah satu dari tipe primitif berikut:

  • float
  • int
  • long
  • byte

Tipe String juga didukung, tetapi dikodekan secara berbeda dari tipe primitif. Secara khusus, bentuk string Tensor menentukan jumlah dan susunan string di Tensor, dengan setiap elemen itu sendiri menjadi string dengan panjang variabel. Dalam pengertian ini, ukuran (byte) dari Tensor tidak dapat dihitung dari bentuk dan jenisnya saja, dan akibatnya string tidak dapat diberikan sebagai argumen ByteBuffer tunggal yang datar.

Jika tipe data lain, termasuk tipe kotak seperti Integer dan Float , digunakan, IllegalArgumentException akan dilempar.

Masukan

Setiap masukan harus berupa larik atau larik multidimensi dari tipe primitif yang didukung, atau ByteBuffer mentah dengan ukuran yang sesuai. Jika inputnya adalah array atau array multidimensi, tensor input terkait akan diubah ukurannya secara implisit ke dimensi array pada waktu inferensi. Jika inputnya adalah ByteBuffer, pemanggil harus terlebih dahulu mengubah ukuran tensor input terkait secara manual (melalui Interpreter.resizeInput() ) sebelum menjalankan inferensi.

Saat menggunakan ByteBuffer , lebih suka menggunakan buffer byte langsung, karena ini memungkinkan Interpreter untuk menghindari salinan yang tidak perlu. Jika ByteBuffer adalah buffer byte langsung, urutannya harus ByteOrder.nativeOrder() . Setelah digunakan untuk inferensi model, itu harus tetap tidak berubah sampai inferensi model selesai.

Keluaran

Setiap keluaran harus berupa larik atau larik multidimensi dari tipe primitif yang didukung, atau ByteBuffer dengan ukuran yang sesuai. Perhatikan bahwa beberapa model memiliki keluaran dinamis, di mana bentuk tensor keluaran dapat bervariasi tergantung pada masukannya. Tidak ada cara langsung untuk menangani ini dengan API inferensi Java yang ada, tetapi ekstensi yang direncanakan akan memungkinkan hal ini.

Muat dan jalankan model di Swift

Platform: iOS

Swift API tersedia di TensorFlowLiteSwift Pod dari Cocoapods.

Pertama, Anda perlu mengimpor modul TensorFlowLite .

import TensorFlowLite

// Getting model path
guard
  let modelPath = Bundle.main.path(forResource: "model", ofType: "tflite")
else {
  // Error handling...
}

do {
  // Initialize an interpreter with the model.
  let interpreter = try Interpreter(modelPath: modelPath)

  // Allocate memory for the model's input `Tensor`s.
  try interpreter.allocateTensors()

  let inputData: Data  // Should be initialized

  // input data preparation...

  // Copy the input data to the input `Tensor`.
  try self.interpreter.copy(inputData, toInputAt: 0)

  // Run inference by invoking the `Interpreter`.
  try self.interpreter.invoke()

  // Get the output `Tensor`
  let outputTensor = try self.interpreter.output(at: 0)

  // Copy output to `Data` to process the inference results.
  let outputSize = outputTensor.shape.dimensions.reduce(1, {x, y in x * y})
  let outputData =
        UnsafeMutableBufferPointer<Float32>.allocate(capacity: outputSize)
  outputTensor.data.copyBytes(to: outputData)

  if (error != nil) { /* Error handling... */ }
} catch error {
  // Error handling...
}

Muat dan jalankan model di Objective-C

Platform: iOS

Objective-C API tersedia di TensorFlowLiteObjC Pod dari Cocoapods.

Pertama, Anda perlu mengimpor modul TensorFlowLite .

@import TensorFlowLite;

NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model"
                                                      ofType:@"tflite"];
NSError *error;

// Initialize an interpreter with the model.
TFLInterpreter *interpreter = [[TFLInterpreter alloc] initWithModelPath:modelPath
                                                                  error:&error];
if (error != nil) { /* Error handling... */ }

// Allocate memory for the model's input `TFLTensor`s.
[interpreter allocateTensorsWithError:&error];
if (error != nil) { /* Error handling... */ }

NSMutableData *inputData;  // Should be initialized
// input data preparation...

// Get the input `TFLTensor`
TFLTensor *inputTensor = [interpreter inputTensorAtIndex:0 error:&error];
if (error != nil) { /* Error handling... */ }

// Copy the input data to the input `TFLTensor`.
[inputTensor copyData:inputData error:&error];
if (error != nil) { /* Error handling... */ }

// Run inference by invoking the `TFLInterpreter`.
[interpreter invokeWithError:&error];
if (error != nil) { /* Error handling... */ }

// Get the output `TFLTensor`
TFLTensor *outputTensor = [interpreter outputTensorAtIndex:0 error:&error];
if (error != nil) { /* Error handling... */ }

// Copy output to `NSData` to process the inference results.
NSData *outputData = [outputTensor dataWithError:&error];
if (error != nil) { /* Error handling... */ }

Menggunakan C API dalam kode Objective-C

Saat ini Objective-C API tidak mendukung delegasi. Untuk menggunakan delegasi dengan kode Objective-C, Anda harus langsung memanggil C API yang mendasarinya.

#include "tensorflow/lite/c/c_api.h"

TfLiteModel* model = TfLiteModelCreateFromFile([modelPath UTF8String]);
TfLiteInterpreterOptions* options = TfLiteInterpreterOptionsCreate();

// Create the interpreter.
TfLiteInterpreter* interpreter = TfLiteInterpreterCreate(model, options);

// Allocate tensors and populate the input tensor data.
TfLiteInterpreterAllocateTensors(interpreter);
TfLiteTensor* input_tensor =
    TfLiteInterpreterGetInputTensor(interpreter, 0);
TfLiteTensorCopyFromBuffer(input_tensor, input.data(),
                           input.size() * sizeof(float));

// Execute inference.
TfLiteInterpreterInvoke(interpreter);

// Extract the output tensor data.
const TfLiteTensor* output_tensor =
    TfLiteInterpreterGetOutputTensor(interpreter, 0);
TfLiteTensorCopyToBuffer(output_tensor, output.data(),
                         output.size() * sizeof(float));

// Dispose of the model and interpreter objects.
TfLiteInterpreterDelete(interpreter);
TfLiteInterpreterOptionsDelete(options);
TfLiteModelDelete(model);

Muat dan jalankan model di C++

Platform: Android, iOS, dan Linux

Di C++, model disimpan di kelas FlatBufferModel . Ini merangkum model TensorFlow Lite dan Anda dapat membuatnya dalam beberapa cara berbeda, tergantung di mana model disimpan:

class FlatBufferModel {
  // Build a model based on a file. Return a nullptr in case of failure.
  static std::unique_ptr<FlatBufferModel> BuildFromFile(
      const char* filename,
      ErrorReporter* error_reporter);

  // Build a model based on a pre-loaded flatbuffer. The caller retains
  // ownership of the buffer and should keep it alive until the returned object
  // is destroyed. Return a nullptr in case of failure.
  static std::unique_ptr<FlatBufferModel> BuildFromBuffer(
      const char* buffer,
      size_t buffer_size,
      ErrorReporter* error_reporter);
};

Sekarang setelah Anda memiliki model sebagai objek FlatBufferModel , Anda dapat menjalankannya dengan Interpreter . FlatBufferModel tunggal dapat digunakan secara bersamaan oleh lebih dari satu Interpreter .

Bagian penting dari Interpreter API ditampilkan dalam cuplikan kode di bawah ini. Perlu dicatat bahwa:

  • Tensor diwakili oleh bilangan bulat, untuk menghindari perbandingan string (dan ketergantungan tetap pada pustaka string).
  • Penerjemah tidak boleh diakses dari utas bersamaan.
  • Alokasi memori untuk tensor input dan output harus dipicu dengan memanggil AllocateTensors() tepat setelah mengubah ukuran tensor.

Penggunaan TensorFlow Lite dengan C++ yang paling sederhana terlihat seperti ini:

// Load the model
std::unique_ptr<tflite::FlatBufferModel> model =
    tflite::FlatBufferModel::BuildFromFile(filename);

// Build the interpreter
tflite::ops::builtin::BuiltinOpResolver resolver;
std::unique_ptr<tflite::Interpreter> interpreter;
tflite::InterpreterBuilder(*model, resolver)(&interpreter);

// Resize input tensors, if desired.
interpreter->AllocateTensors();

float* input = interpreter->typed_input_tensor<float>(0);
// Fill `input`.

interpreter->Invoke();

float* output = interpreter->typed_output_tensor<float>(0);

Untuk kode contoh lainnya, lihat minimal.cc dan label_image.cc .

Muat dan jalankan model dengan Python

Platform: Linux

Python API untuk menjalankan inferensi disediakan dalam modul tf.lite . Dari mana, Anda hanya membutuhkan tf.lite.Interpreter untuk memuat model dan menjalankan inferensi.

Contoh berikut menunjukkan cara menggunakan interpreter Python untuk memuat file .tflite dan menjalankan inferensi dengan data input acak:

Contoh ini direkomendasikan jika Anda mengonversi dari SavedModel dengan SignatureDef yang ditentukan. Tersedia mulai dari TensorFlow 2.5

class TestModel(tf.Module):
  def __init__(self):
    super(TestModel, self).__init__()

  @tf.function(input_signature=[tf.TensorSpec(shape=[1, 10], dtype=tf.float32)])
  def add(self, x):
    '''
    Simple method that accepts single input 'x' and returns 'x' + 4.
    '''
    # Name the output 'result' for convenience.
    return {'result' : x + 4}


SAVED_MODEL_PATH = 'content/saved_models/test_variable'
TFLITE_FILE_PATH = 'content/test_variable.tflite'

# Save the model
module = TestModel()
# You can omit the signatures argument and a default signature name will be
# created with name 'serving_default'.
tf.saved_model.save(
    module, SAVED_MODEL_PATH,
    signatures={'my_signature':module.add.get_concrete_function()})

# Convert the model using TFLiteConverter
converter = tf.lite.TFLiteConverter.from_saved_model(SAVED_MODEL_PATH)
tflite_model = converter.convert()
with open(TFLITE_FILE_PATH, 'wb') as f:
  f.write(tflite_model)

# Load the TFLite model in TFLite Interpreter
interpreter = tf.lite.Interpreter(TFLITE_FILE_PATH)
# There is only 1 signature defined in the model,
# so it will return it by default.
# If there are multiple signatures then we can pass the name.
my_signature = interpreter.get_signature_runner()

# my_signature is callable with input as arguments.
output = my_signature(x=tf.constant([1.0], shape=(1,10), dtype=tf.float32))
# 'output' is dictionary with all outputs from the inference.
# In this case we have single output 'result'.
print(output['result'])

Contoh lain jika model tidak memiliki SignatureDefs yang ditentukan.

import numpy as np
import tensorflow as tf

# Load the TFLite model and allocate tensors.
interpreter = tf.lite.Interpreter(model_path="converted_model.tflite")
interpreter.allocate_tensors()

# Get input and output tensors.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# Test the model on random input data.
input_shape = input_details[0]['shape']
input_data = np.array(np.random.random_sample(input_shape), dtype=np.float32)
interpreter.set_tensor(input_details[0]['index'], input_data)

interpreter.invoke()

# The function `get_tensor()` returns a copy of the tensor data.
# Use `tensor()` in order to get a pointer to the tensor.
output_data = interpreter.get_tensor(output_details[0]['index'])
print(output_data)

Sebagai alternatif untuk memuat model sebagai file .tflite pra-konversi, Anda dapat menggabungkan kode Anda dengan TensorFlow Lite Converter Python API ( tf.lite.TFLiteConverter ), yang memungkinkan Anda mengonversi model TensorFlow ke dalam format TensorFlow Lite dan kemudian menjalankan inferensi:

import numpy as np
import tensorflow as tf

img = tf.placeholder(name="img", dtype=tf.float32, shape=(1, 64, 64, 3))
const = tf.constant([1., 2., 3.]) + tf.constant([1., 4., 4.])
val = img + const
out = tf.identity(val, name="out")

# Convert to TF Lite format
with tf.Session() as sess:
  converter = tf.lite.TFLiteConverter.from_session(sess, [img], [out])
  tflite_model = converter.convert()

# Load the TFLite model and allocate tensors.
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

# Continue to get tensors and so forth, as shown above...

Untuk kode contoh Python lainnya, lihat label_image.py .

Operasi yang didukung

TensorFlow Lite mendukung subset operasi TensorFlow dengan beberapa batasan. Untuk daftar lengkap operasi dan batasan, lihat halaman TF Lite Ops .