Esta página foi traduzida pela API Cloud Translation.
Switch to English

Selecione os operadores do TensorFlow

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 exige 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 o uso do 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'
    // This dependency adds the necessary TF op support.
    implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:0.0.0-nightly'
}

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 irá gerar o arquivo AAR bazel-bin/tmp/tensorflow-lite.aar para operações integradas e personalizadas do TensorFlow Lite; e gere 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 .

De lá, você pode importar os arquivos AAR diretamente para o seu projeto ou publicar os arquivos AAR personalizados no seu 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

Finalmente, 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 CocoaPods selecionados pré-construídos à noite, dos quais você pode depender 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 o aplicativo 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 ao Podfile 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 addon ops TF 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 , então você precisa fornecer explicitamente a lista de arquiteturas de destino, excluindo i386 .

bazel build -c opt --config=ios --ios_multi_cpus=armv7,arm64,x86_64 \
  //tensorflow/lite/experimental/ios:TensorFlowLiteSelectTfOps_framework

Isso irá gerar a estrutura no bazel-bin/tensorflow/lite/experimental/ios/ . Você pode adicionar essa 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 do TensorFlow adicional pode ser incluída e ativada da seguinte maneira:

  • Habilite compilações monolíticas, se necessário, adicionando o sinalizador de compilação --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 optar por instalar apenas o pacote de pip do TensorFlow Lite Interpreter .

Métricas

atuação

Ao usar uma combinação 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.
  • Otimizações sem suporte: se você aplicar uma otimização conhecida como quantização pós-treinamento , apenas as operações do TensorFlow Lite serão quantizadas (ou otimizadas), mas as operações do TensorFlow permanecerão flutuantes (ou não otimizadas).

Planos futuros

A seguir está uma lista de melhorias para este pipeline que estão em andamento:

  • Desempenho aprimorado - o trabalho está sendo feito para garantir que o TensorFlow Lite com TensorFlow ops coopere bem com delegados acelerados por hardware, por exemplo, delegados NNAPI e GPU.