TensorFlow Lite çıkarımı

Koleksiyonlar ile düzeninizi koruyun İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.

Çıkarım terimi, giriş verilerine dayalı tahminler yapmak için cihazda bir TensorFlow Lite modeli yürütme sürecini ifade eder. Bir TensorFlow Lite modeliyle bir çıkarım yapmak için, onu bir yorumlayıcı aracılığıyla çalıştırmanız gerekir. TensorFlow Lite yorumlayıcı, yalın ve hızlı olacak şekilde tasarlanmıştır. Yorumlayıcı, minimum yük, başlatma ve yürütme gecikmesi sağlamak için statik bir grafik sıralaması ve özel (daha az dinamik) bir bellek ayırıcı kullanır.

Bu sayfa, TensorFlow Lite yorumlayıcısına nasıl erişileceğini ve C++, Java ve Python kullanarak bir çıkarımın nasıl gerçekleştirileceğini ve ayrıca desteklenen her platform için diğer kaynaklara bağlantıların nasıl gerçekleştirileceğini açıklar.

Önemli kavramlar

TensorFlow Lite çıkarımı tipik olarak aşağıdaki adımları takip eder:

  1. Model yükleme

    .tflite modelini, modelin yürütme grafiğini içeren belleğe yüklemelisiniz.

  2. Verileri dönüştürme

    Model için ham girdi verileri genellikle model tarafından beklenen girdi verisi biçimiyle eşleşmez. Örneğin, modelle uyumlu olması için bir görüntüyü yeniden boyutlandırmanız veya görüntü biçimini değiştirmeniz gerekebilir.

  3. çalışan çıkarım

    Bu adım, modeli yürütmek için TensorFlow Lite API'sinin kullanılmasını içerir. Aşağıdaki bölümlerde açıklandığı gibi, yorumlayıcıyı oluşturmak ve tensörleri tahsis etmek gibi birkaç adımı içerir.

  4. çıktıyı yorumlama

    Model çıkarımından sonuçlar aldığınızda, tensörleri uygulamanızda faydalı olacak şekilde anlamlı bir şekilde yorumlamanız gerekir.

    Örneğin, bir model yalnızca bir olasılık listesi döndürebilir. Olasılıkları ilgili kategorilere haritalamak ve son kullanıcınıza sunmak size kalmıştır.

Desteklenen platformlar

TensorFlow çıkarım API'leri, Android , iOS ve Linux gibi en yaygın mobil/gömülü platformlar için birden çok programlama dilinde sağlanır.

Çoğu durumda, API tasarımı, kullanım kolaylığı yerine performans tercihini yansıtır. TensorFlow Lite, küçük cihazlarda hızlı çıkarım için tasarlanmıştır, bu nedenle API'lerin kolaylık pahasına gereksiz kopyalardan kaçınmaya çalışması şaşırtıcı olmamalıdır. Benzer şekilde, TensorFlow API'leriyle tutarlılık açık bir hedef değildi ve diller arasında bazı farklılıklar olması bekleniyor.

TensorFlow Lite API, tüm kitaplıklarda modelleri yüklemenize, girdileri beslemenize ve çıkarım çıktılarını almanıza olanak tanır.

Android Platformu

Android'de TensorFlow Lite çıkarımı, Java veya C++ API'leri kullanılarak gerçekleştirilebilir. Java API'leri kolaylık sağlar ve doğrudan Android Activity sınıflarınızda kullanılabilir. C++ API'leri daha fazla esneklik ve hız sunar, ancak verileri Java ve C++ katmanları arasında taşımak için JNI sarmalayıcıları yazmayı gerektirebilir.

C++ ve Java kullanımıyla ilgili ayrıntılar için aşağıya bakın veya bir eğitim ve örnek kod için Android hızlı başlangıcını izleyin.

TensorFlow Lite Android sarmalayıcı kod üreteci

Meta verilerle geliştirilmiş TensorFlow Lite modeli için geliştiriciler, platforma özel sarmalayıcı kodu oluşturmak için TensorFlow Lite Android sarmalayıcı kodu oluşturucusunu kullanabilir. Sarıcı kod, Android'de doğrudan ByteBuffer ile etkileşim kurma ihtiyacını ortadan kaldırır. Bunun yerine geliştiriciler, Bitmap ve Rect gibi yazılan nesnelerle TensorFlow Lite modeliyle etkileşime girebilir. Daha fazla bilgi için lütfen TensorFlow Lite Android sarmalayıcı kodu oluşturucusuna bakın.

iOS Platformu

iOS'ta TensorFlow Lite, Swift ve Objective-C ile yazılmış yerel iOS kitaplıklarıyla kullanılabilir. C API'yi doğrudan Objective-C kodlarında da kullanabilirsiniz.

Swift , Objective-C ve C API'yi kullanmayla ilgili ayrıntılar için aşağıya bakın veya bir öğretici ve örnek kod için iOS hızlı başlangıcını izleyin.

Linux Platformu

Linux platformlarında ( Raspberry Pi dahil), aşağıdaki bölümlerde gösterildiği gibi C++ ve Python'da bulunan TensorFlow Lite API'lerini kullanarak çıkarımlar çalıştırabilirsiniz.

Model çalıştırma

Bir TensorFlow Lite modelini çalıştırmak birkaç basit adımı içerir:

  1. Modeli belleğe yükleyin.
  2. Mevcut bir modele dayalı bir Interpreter oluşturun.
  3. Giriş tensör değerlerini ayarlayın. (Önceden tanımlanmış boyutlar istenmiyorsa, isteğe bağlı olarak giriş tensörlerini yeniden boyutlandırın.)
  4. Çıkarım çağırın.
  5. Çıkış tensör değerlerini okuyun.

Aşağıdaki bölümlerde bu adımların her dilde nasıl yapılabileceği açıklanmaktadır.

Java'da bir model yükleyin ve çalıştırın

Platform: Android

TensorFlow Lite ile çıkarım çalıştırmaya yönelik Java API, öncelikle Android ile kullanım için tasarlanmıştır, bu nedenle Android kitaplığı bağımlılığı olarak mevcuttur: org.tensorflow:tensorflow-lite .

Java'da, bir model yüklemek ve model çıkarımını yönlendirmek için Interpreter sınıfını kullanacaksınız. Çoğu durumda, ihtiyacınız olan tek API bu olabilir.

Bir .tflite dosyası kullanarak bir Interpreter başlatabilirsiniz:

public Interpreter(@NotNull File modelFile);

Veya bir MappedByteBuffer ile:

public Interpreter(@NotNull MappedByteBuffer mappedByteBuffer);

Her iki durumda da geçerli bir TensorFlow Lite modeli sağlamanız gerekir, aksi takdirde API, IllegalArgumentException öğesini atar. Bir Interpreter başlatmak için MappedByteBuffer kullanırsanız, Interpreter tüm kullanım ömrü boyunca değişmeden kalması gerekir.

Bir modelde çıkarım yapmanın tercih edilen yolu imza kullanmaktır - Tensorflow 2.5'ten başlayarak dönüştürülen modeller için kullanılabilir

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");
}

runSignature yöntemi üç bağımsız değişken alır:

  • Girişler : imzadaki giriş adından bir giriş nesnesine girişler için eşlenir.

  • Çıktılar : imzadaki çıktı adından çıktı verilerine çıktı eşlemesi için eşleme.

  • İmza Adı [isteğe bağlı]: İmza adı (Model tek imzalı ise boş bırakılabilir).

Modelin tanımlı imzaları olmadığında çıkarım yapmanın başka bir yolu. Basitçe Interpreter.run() öğesini arayın. Örneğin:

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

run() yöntemi yalnızca bir girdi alır ve yalnızca bir çıktı döndürür. Bu nedenle, modelinizin birden çok girdisi veya birden çok çıktısı varsa, bunun yerine şunu kullanın:

interpreter.runForMultipleInputsOutputs(inputs, map_of_indices_to_outputs);

Bu durumda, inputs her giriş bir giriş tensörüne karşılık gelir ve map_of_indices_to_outputs , çıkış tensörlerinin endekslerini karşılık gelen çıkış verilerine eşler.

Her iki durumda da tensör endeksleri, modeli oluştururken TensorFlow Lite Dönüştürücüye verdiğiniz değerlere karşılık gelmelidir. Girişteki tensörlerin sırasının, input Lite Dönüştürücüye verilen sıra ile eşleşmesi gerektiğini unutmayın.

Interpreter sınıfı ayrıca, bir işlem adı kullanarak herhangi bir model girişi veya çıkışının dizinini almanız için uygun işlevler sağlar:

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

opName modelde geçerli bir işlem değilse, bir IllegalArgumentException oluşturur.

Ayrıca, Interpreter kaynaklara sahip olduğuna dikkat edin. Bellek sızıntısını önlemek için kaynaklar aşağıdakiler tarafından kullanıldıktan sonra serbest bırakılmalıdır:

interpreter.close();

Java ile örnek bir proje için Android görüntü sınıflandırma örneğine bakın.

Desteklenen veri türleri (Java'da)

TensorFlow Lite'ı kullanmak için giriş ve çıkış tensörlerinin veri türleri aşağıdaki ilkel türlerden biri olmalıdır:

  • float
  • int
  • long
  • byte

String türleri de desteklenir, ancak ilkel türlerden farklı şekilde kodlanırlar. Özellikle, bir dizi Tensörünün şekli, her bir elemanın kendisi değişken uzunlukta bir dizi olacak şekilde, Tensördeki dizilerin sayısını ve düzenini belirler. Bu anlamda, Tensörün (bayt) boyutu yalnızca şekil ve türden hesaplanamaz ve sonuç olarak dizeler tek, düz bir ByteBuffer argümanı olarak sağlanamaz.

Integer ve Float gibi kutulu türler de dahil olmak üzere başka veri türleri kullanılırsa, bir IllegalArgumentException oluşturulur.

Girişler

Her giriş, desteklenen ilkel türlerin bir dizisi veya çok boyutlu dizisi veya uygun boyutta bir ham ByteBuffer olmalıdır. Girdi bir dizi veya çok boyutlu diziyse, ilişkili girdi tensörü, çıkarım zamanında dizinin boyutlarına dolaylı olarak yeniden boyutlandırılacaktır. Giriş bir ByteBuffer ise, arayan kişi çıkarımı çalıştırmadan önce ilişkili giriş tensörünü ( Interpreter.resizeInput() aracılığıyla) manuel olarak yeniden boyutlandırmalıdır.

ByteBuffer kullanırken, Interpreter gereksiz kopyalardan kaçınmasına izin verdiği için doğrudan bayt arabelleklerini kullanmayı tercih edin. ByteBuffer doğrudan bir bayt arabelleğiyse, sırası ByteOrder.nativeOrder() olmalıdır. Model çıkarımı için kullanıldıktan sonra model çıkarımı bitene kadar değişmeden kalmalıdır.

çıktılar

Her çıktı, desteklenen ilkel türlerin bir dizisi veya çok boyutlu dizisi veya uygun boyutta bir ByteBuffer olmalıdır. Bazı modellerin dinamik çıktılara sahip olduğunu ve çıktı tensörlerinin şeklinin girdiye bağlı olarak değişebildiğini unutmayın. Bunu mevcut Java çıkarım API'si ile ele almanın kolay bir yolu yoktur, ancak planlanan uzantılar bunu mümkün kılacaktır.

Swift'de bir model yükleyin ve çalıştırın

Platform: iOS

Swift API , TensorFlowLiteSwift Pod'da mevcuttur.

İlk önce TensorFlowLite modülünü içe aktarmanız gerekir.

import TensorFlowLite
tutucu8 l10n-yer
// 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...
}

Objective-C'de bir model yükleyin ve çalıştırın

Platform: iOS

Objective-C API , TensorFlowLiteObjC Pod'da mevcuttur.

İlk önce TensorFlowLite modülünü içe aktarmanız gerekir.

@import TensorFlowLite;
tutucu10 l10n-yer
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... */ }

Objective-C kodunda C API kullanma

Şu anda Objective-C API, temsilcileri desteklemiyor. Temsilcileri Objective-C koduyla kullanmak için doğrudan temel alınan C API'yi çağırmanız gerekir.

#include "tensorflow/lite/c/c_api.h"
tutucu12 l10n-yer
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);

Bir modeli C++ ile yükleyin ve çalıştırın

Platformlar: Android, iOS ve Linux

C++'da model FlatBufferModel sınıfında saklanır. Bir TensorFlow Lite modelini kapsar ve modelin nerede saklandığına bağlı olarak onu birkaç farklı şekilde oluşturabilirsiniz:

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);
};

Artık modele FlatBufferModel nesnesi olarak sahip olduğunuza göre, onu Interpreter ile çalıştırabilirsiniz. Tek bir FlatBufferModel , aynı anda birden fazla Interpreter tarafından kullanılabilir.

Interpreter API'sinin önemli kısımları aşağıdaki kod parçacığında gösterilmiştir. Bu not alınmalı:

  • Tensörler, dize karşılaştırmalarından (ve dize kitaplıklarına herhangi bir sabit bağımlılıktan) kaçınmak için tamsayılarla temsil edilir.
  • Bir yorumlayıcıya eşzamanlı iş parçacıklarından erişilmemelidir.
  • Giriş ve çıkış tensörleri için bellek ayırma, tensörleri yeniden boyutlandırdıktan hemen sonra AllocateTensors() çağrılarak tetiklenmelidir.

TensorFlow Lite'ın C++ ile en basit kullanımı şöyle görünür:

// 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);

Daha fazla örnek kod için, minimal.cc ve label_image.cc bakın.

Python'da bir model yükleyin ve çalıştırın

Platform: Linux

Bir çıkarımı çalıştırmak için Python API'si tf.lite modülünde sağlanır. Bir model yüklemek ve bir çıkarım yapmak için çoğunlukla yalnızca tf.lite.Interpreter ihtiyacınız vardır.

Aşağıdaki örnek, bir .tflite dosyasını yüklemek ve rastgele girdi verileriyle çıkarım yapmak için Python yorumlayıcısının nasıl kullanılacağını gösterir:

Bu örnek, tanımlanmış bir SignatureDef ile SavedModel'den dönüştürme yapıyorsanız önerilir. TensorFlow 2.5'ten itibaren kullanılabilir

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'])

Modelde SignatureDefs tanımlı değilse başka bir örnek.

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)

Modeli önceden dönüştürülmüş bir .tflite dosyası olarak yüklemeye bir alternatif olarak, kodunuzu TensorFlow Lite Dönüştürücü Python API'si ( tf.lite.TFLiteConverter ) ile birleştirerek TensorFlow modelinizi TensorFlow Lite formatına dönüştürmenize ve ardından çıkarımı çalıştır:

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...

Daha fazla Python örnek kodu için bkz. label_image.py .

Desteklenen işlemler

TensorFlow Lite, bazı sınırlamalarla birlikte TensorFlow işlemlerinin bir alt kümesini destekler. İşlemlerin ve sınırlamaların tam listesi için TF Lite Ops sayfasına bakın .