Como a biblioteca de operadores integrada do TensorFlow Lite oferece suporte a apenas um número limitado de operadores do TensorFlow, nem todo modelo é conversível. Para obter detalhes, consulte a compatibilidade do operador .
Para permitir a conversão, os usuários podem habilitar o uso de certas operações do TensorFlow em seu modelo TensorFlow Lite. No entanto, a execução de modelos do TensorFlow Lite com operações do TensorFlow requer a extração do tempo de execução do TensorFlow principal, o que aumenta o tamanho binário do interpretador do TensorFlow Lite. Para Android, você pode evitar isso criando seletivamente apenas as operações necessárias do Tensorflow. Para obter detalhes, consulte reduzir o tamanho binário .
Este documento descreve como converter e executar um modelo do TensorFlow Lite contendo operações do TensorFlow em uma plataforma de sua escolha. Ele também discute métricas de desempenho e tamanho e limitações conhecidas .
Converter um modelo
O exemplo a seguir mostra como gerar um modelo do TensorFlow Lite com operações selecionadas do TensorFlow.
import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir)
converter.target_spec.supported_ops = [
tf.lite.OpsSet.TFLITE_BUILTINS, # enable TensorFlow Lite ops.
tf.lite.OpsSet.SELECT_TF_OPS # enable TensorFlow ops.
]
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)
Executar inferência
Ao usar um modelo do TensorFlow Lite que foi convertido com suporte para operações selecionadas do TensorFlow, o cliente também deve usar um tempo de execução do TensorFlow Lite que inclui a biblioteca necessária de operações do TensorFlow.
Android AAR
Para reduzir o tamanho binário, crie seus próprios arquivos AAR personalizados conforme orientado na próxima seção . Se o tamanho do binário não for uma preocupação considerável, recomendamos usar o AAR pré-construído com operações do TensorFlow hospedadas no JCenter .
Você pode especificar isso nas dependências de build.gradle
adicionando-o ao lado do TensorFlow Lite AAR padrão da seguinte maneira:
dependencies {
implementation 'org.tensorflow:tensorflow-lite:0.0.0-nightly-SNAPSHOT'
// This dependency adds the necessary TF op support.
implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:0.0.0-nightly-SNAPSHOT'
}
Depois de adicionar a dependência, o delegado necessário para lidar com as operações do TensorFlow do gráfico deve ser instalado automaticamente para os gráficos que os exigem.
android {
defaultConfig {
ndk {
abiFilters 'armeabi-v7a', 'arm64-v8a'
}
}
}
Construindo o Android AAR
Para reduzir o tamanho binário ou outros casos avançados, você também pode construir a biblioteca manualmente. Supondo um ambiente de compilação TensorFlow Lite funcional , crie o Android AAR com operações selecionadas do TensorFlow da seguinte maneira:
sh tensorflow/lite/tools/build_aar.sh \
--input_models=/a/b/model_one.tflite,/c/d/model_two.tflite \
--target_archs=x86,x86_64,arm64-v8a,armeabi-v7a
Isso gerará o arquivo AAR bazel-bin/tmp/tensorflow-lite.aar
para operações integradas e personalizadas do TensorFlow Lite; e gerar o arquivo AAR bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar
para operações do TensorFlow. Se você não tiver um ambiente de compilação funcional, também pode criar os arquivos acima com o docker .
A partir daí, você pode importar os arquivos AAR diretamente para o seu projeto ou publicar os arquivos AAR personalizados no repositório Maven local:
mvn install:install-file \
-Dfile=bazel-bin/tmp/tensorflow-lite.aar \
-DgroupId=org.tensorflow \
-DartifactId=tensorflow-lite -Dversion=0.1.100 -Dpackaging=aar
mvn install:install-file \
-Dfile=bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar \
-DgroupId=org.tensorflow \
-DartifactId=tensorflow-lite-select-tf-ops -Dversion=0.1.100 -Dpackaging=aar
Por fim, no build.gradle
do seu aplicativo, certifique-se de ter a dependência mavenLocal()
e substitua a dependência padrão do TensorFlow Lite por aquela que tem suporte para operações específicas do TensorFlow:
allprojects {
repositories {
jcenter()
mavenLocal()
}
}
dependencies {
implementation 'org.tensorflow:tensorflow-lite:0.1.100'
implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:0.1.100'
}
iOS
Usando CocoaPods
Oferecemos todas as noites pré-construídas ops TF CocoaPods para armv7
e arm64
, dos quais você pode TensorFlowLiteSwift
junto com TensorFlowLiteSwift
ou TensorFlowLiteObjC
CocoaPods
# In your Podfile target:
pod 'TensorFlowLiteSwift' # or 'TensorFlowLiteObjC'
pod 'TensorFlowLiteSelectTfOps', '~> 0.0.1-nightly'
Depois de executar a pod install
, você precisa fornecer um sinalizador de vinculador adicional para forçar o carregamento da estrutura de operações TF selecionada em seu projeto. Em seu projeto Xcode, vá para Build Settings
-> Other Linker Flags
e adicione:
-force_load $(SRCROOT)/Pods/TensorFlowLiteSelectTfOps/Frameworks/TensorFlowLiteSelectTfOps.framework/TensorFlowLiteSelectTfOps
Você deve então ser capaz de executar qualquer modelo convertido com SELECT_TF_OPS
em seu aplicativo iOS. Por exemplo, você pode modificar oaplicativo iOS de classificação de imagem para testar o recurso de operações TF selecionado.
- Substitua o arquivo de modelo por aquele convertido com
SELECT_TF_OPS
ativado. - Adicione a dependência
TensorFlowLiteSelectTfOps
aoPodfile
conforme as instruções. - Adicione o sinalizador de vinculador adicional conforme acima.
- Execute o aplicativo de exemplo e veja se o modelo funciona corretamente.
Usando Bazel + Xcode
O TensorFlow Lite com operações selecionadas do TensorFlow para iOS pode ser criado usando o Bazel. Primeiro, siga as instruções de compilação do iOS para configurar o espaço de trabalho do Bazel e o arquivo .bazelrc
corretamente.
Depois de configurar o espaço de trabalho com suporte a iOS habilitado, você pode usar o seguinte comando para construir a estrutura de TensorFlowLiteC.framework
on TF ops selecionada, que pode ser adicionada em cima do TensorFlowLiteC.framework
regular. Observe que a estrutura de operações TF selecionada não pode ser construída para a arquitetura i386
, portanto, você precisa fornecer explicitamente a lista de arquiteturas de destino, exceto i386
.
bazel build -c opt --config=ios --ios_multi_cpus=armv7,arm64,x86_64 \
//tensorflow/lite/ios:TensorFlowLiteSelectTfOps_framework
Isso irá gerar a estrutura no bazel-bin/tensorflow/lite/ios/
. Você pode adicionar esta nova estrutura ao seu projeto Xcode seguindo etapas semelhantes descritas na seção de configurações do projeto Xcode no guia de construção do iOS.
Depois de adicionar a estrutura em seu projeto de aplicativo, um sinalizador de vinculador adicional deve ser especificado em seu projeto de aplicativo para forçar o carregamento da estrutura de operações TF selecionada. Em seu projeto Xcode, vá para Build Settings
-> Other Linker Flags
e adicione:
-force_load <path/to/your/TensorFlowLiteSelectTfOps.framework/TensorFlowLiteSelectTfOps>
C ++
Ao criar bibliotecas do TensorFlow Lite usando o pipeline do bazel, a biblioteca de ops TensorFlow adicional pode ser incluída e ativada da seguinte maneira:
- Habilite construções monolíticas, se necessário, adicionando o sinalizador de construção
--config=monolithic
. - Adicione a dependência da biblioteca de delegado de operações do TensorFlow às dependências de compilação:
tensorflow/lite/delegates/flex:delegate
.
Observe que o TfLiteDelegate
necessário será instalado automaticamente ao criar o interpretador em tempo de execução, desde que o delegado esteja vinculado à biblioteca cliente. Não é necessário instalar explicitamente a instância do delegado, como normalmente é exigido com outros tipos de delegado.
Pitão
O TensorFlow Lite com operações selecionadas do TensorFlow será instalado automaticamente com o pacote TensorFlow pip . Você também pode escolher instalar apenas opacote TensorFlow Lite Interpreter pip .
Métricas
atuação
Ao usar uma mistura de operações integradas e selecionadas do TensorFlow, todas as mesmas otimizações do TensorFlow Lite e operações integradas otimizadas estarão disponíveis e poderão ser usadas com o modelo convertido.
A tabela a seguir descreve o tempo médio gasto para executar a inferência na MobileNet em um Pixel 2. Os tempos listados são uma média de 100 execuções. Esses alvos foram criados para Android usando os sinalizadores: --config=android_arm64 -c opt
.
Construir | Tempo (milissegundos) |
---|---|
Apenas operações TFLITE_BUILTIN ( TFLITE_BUILTIN ) | 260,7 |
Usando apenas operações TF ( SELECT_TF_OPS ) | 264,5 |
Tamanho binário
A tabela a seguir descreve o tamanho binário do TensorFlow Lite para cada versão. Esses alvos foram criados para Android usando --config=android_arm -c opt
.
Construir | Tamanho binário C ++ | Tamanho do APK Android |
---|---|---|
Apenas operações integradas | 796 KB | 561 KB |
Operações integradas + operações TF | 23,0 MB | 8,0 MB |
Operações integradas + operações TF (1) | 4,1 MB | 1,8 MB |
(1) Essas bibliotecas são construídas seletivamente para o modelo i3d-kinetics-400 com 8 operações integradas TFLite e 3 operações Tensorflow. Para mais detalhes, consulte a seção Reduzir o tamanho do binário do TensorFlow Lite .
Limitações conhecidas
- Tipos sem suporte: certas operações do TensorFlow podem não ser compatíveis com o conjunto completo de tipos de entrada / saída que normalmente estão disponíveis no TensorFlow.
- Operações não suportadas: operações de fluxo de controle e operações que requerem inicialização explícita de recursos, como
HashTableV2
, ainda não são suportadas.
Atualizações
- Versão 2.5 (ainda não lançada oficialmente)
- Você pode aplicar uma otimização conhecida como quantização pós-treinamento
- Versão 2.4
- A compatibilidade com delegados acelerados por hardware melhorou