Zmniejsz rozmiar pliku binarnego TensorFlow Lite

Przegląd

Podczas wdrażania modeli dla aplikacji uczenia maszynowego (ODML) na urządzeniu należy pamiętać o ograniczonej pamięci dostępnej na urządzeniach mobilnych. Rozmiary binarne modelu są ściśle powiązane z liczbą operacji zastosowanych w modelu. TensorFlow Lite umożliwia zmniejszenie rozmiarów binarnych modelu za pomocą selektywnych kompilacji. Kompilacje selektywne pomijają nieużywane operacje w zestawie modeli i tworzą kompaktową bibliotekę zawierającą tylko środowisko wykonawcze i jądra operacyjne wymagane do uruchomienia modelu na urządzeniu mobilnym.

Kompilacja selektywna ma zastosowanie w następujących trzech bibliotekach operacyjnych.

1. Wbudowana biblioteka operacyjna TensorFlow Lite
2. Niestandardowe operacje TensorFlow Lite
3. Wybierz bibliotekę ops TensorFlow

Poniższa tabela przedstawia wpływ kompilacji selektywnych w niektórych typowych przypadkach użycia:

Selektywnie buduj TensorFlow Lite za pomocą Bazela

W tej sekcji założono, że pobrałeś kody źródłowe TensorFlow i skonfigurowałeś lokalne środowisko programistyczne dla Bazel.

Kompiluj pliki AAR dla projektu na Androida

Możesz zbudować niestandardowe pliki AAR TensorFlow Lite, podając ścieżki plików modelu w następujący sposób.

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

Powyższe polecenie wygeneruje plik AAR bazel-bin/tmp/tensorflow-lite.aar dla wbudowanych i niestandardowych operacji TensorFlow Lite; i opcjonalnie generuje plik aar bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar jeśli Twoje modele zawierają opcję Select TensorFlow ops. Zauważ, że tworzy to „gruby” AAR z kilkoma różnymi architekturami; jeśli nie potrzebujesz ich wszystkich, użyj podzbioru odpowiedniego dla Twojego środowiska wdrażania.

Twórz z niestandardowymi operacjami

Jeśli opracowałeś modele Tensorflow Lite z niestandardowymi operacjami, możesz je zbudować, dodając następujące flagi do polecenia build:

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 \
  --tflite_custom_ops_srcs=/e/f/file1.cc,/g/h/file2.h \
  --tflite_custom_ops_deps=dep1,dep2

Flaga tflite_custom_ops_srcs zawiera pliki źródłowe niestandardowych operacji, a flaga tflite_custom_ops_deps zawiera zależności umożliwiające zbudowanie tych plików źródłowych. Należy pamiętać, że te zależności muszą istnieć w repozytorium TensorFlow.

Zaawansowane zastosowania: Niestandardowe reguły Bazel

Jeśli Twój projekt korzysta z Bazela i chciałbyś zdefiniować niestandardowe zależności TFLite dla danego zestawu modeli, możesz zdefiniować następujące reguły w repozytorium projektu:

Tylko dla modeli z wbudowanymi opsami:

load(
    "@org_tensorflow//tensorflow/lite:build_def.bzl",
    "tflite_custom_android_library",
    "tflite_custom_c_library",
    "tflite_custom_cc_library",
)

# A selectively built TFLite Android library.
tflite_custom_android_library(
    name = "selectively_built_android_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# A selectively built TFLite C library.
tflite_custom_c_library(
    name = "selectively_built_c_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# A selectively built TFLite C++ library.
tflite_custom_cc_library(
    name = "selectively_built_cc_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

Dla modeli z opcjami Select TF :

load(
    "@org_tensorflow//tensorflow/lite/delegates/flex:build_def.bzl",
    "tflite_flex_android_library",
    "tflite_flex_cc_library",
)

# A Select TF ops enabled selectively built TFLite Android library.
tflite_flex_android_library(
    name = "selective_built_tflite_flex_android_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# A Select TF ops enabled selectively built TFLite C++ library.
tflite_flex_cc_library(
    name = "selective_built_tflite_flex_cc_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

Zaawansowane zastosowania: Twórz niestandardowe biblioteki współdzielone C/C++

Jeśli chcesz zbudować własne, niestandardowe obiekty współdzielone TFLite C/C++ dla podanych modeli, możesz wykonać poniższe kroki:

Utwórz tymczasowy plik BUILD, uruchamiając następujące polecenie w katalogu głównym kodu źródłowego TensorFlow:

mkdir -p tmp && touch tmp/BUILD

Tworzenie niestandardowych obiektów współdzielonych w języku C

Jeśli chcesz zbudować niestandardowy obiekt współdzielony TFLite C, dodaj następujące elementy do pliku tmp/BUILD :

load(
    "//tensorflow/lite:build_def.bzl",
    "tflite_custom_c_library",
    "tflite_cc_shared_object",
)

tflite_custom_c_library(
    name = "selectively_built_c_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# Generates a platform-specific shared library containing the TensorFlow Lite C
# API implementation as define in `c_api.h`. The exact output library name
# is platform dependent:
#   - Linux/Android: `libtensorflowlite_c.so`
#   - Mac: `libtensorflowlite_c.dylib`
#   - Windows: `tensorflowlite_c.dll`
tflite_cc_shared_object(
    name = "tensorflowlite_c",
    linkopts = select({
        "//tensorflow:ios": [
            "-Wl,-exported_symbols_list,$(location //tensorflow/lite/c:exported_symbols.lds)",
        ],
        "//tensorflow:macos": [
            "-Wl,-exported_symbols_list,$(location //tensorflow/lite/c:exported_symbols.lds)",
        ],
        "//tensorflow:windows": [],
        "//conditions:default": [
            "-z defs",
            "-Wl,--version-script,$(location //tensorflow/lite/c:version_script.lds)",
        ],
    }),
    per_os_targets = True,
    deps = [
        ":selectively_built_c_lib",
        "//tensorflow/lite/c:exported_symbols.lds",
        "//tensorflow/lite/c:version_script.lds",
    ],
)

Nowo dodany cel można zbudować w następujący sposób:

bazel build -c opt --cxxopt=--std=c++17 \
  //tmp:tensorflowlite_c

i dla Androida (zamień android_arm na android_arm64 dla wersji 64-bitowej):

bazel build -c opt --cxxopt=--std=c++17 --config=android_arm \
  //tmp:tensorflowlite_c

Tworzenie niestandardowych obiektów współdzielonych w języku C++

Jeśli chcesz zbudować niestandardowy obiekt współdzielony TFLite C++, dodaj następujące elementy do pliku tmp/BUILD :

load(
    "//tensorflow/lite:build_def.bzl",
    "tflite_custom_cc_library",
    "tflite_cc_shared_object",
)

tflite_custom_cc_library(
    name = "selectively_built_cc_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# Shared lib target for convenience, pulls in the core runtime and builtin ops.
# Note: This target is not yet finalized, and the exact set of exported (C/C++)
# APIs is subject to change. The output library name is platform dependent:
#   - Linux/Android: `libtensorflowlite.so`
#   - Mac: `libtensorflowlite.dylib`
#   - Windows: `tensorflowlite.dll`
tflite_cc_shared_object(
    name = "tensorflowlite",
    # Until we have more granular symbol export for the C++ API on Windows,
    # export all symbols.
    features = ["windows_export_all_symbols"],
    linkopts = select({
        "//tensorflow:macos": [
            "-Wl,-exported_symbols_list,$(location //tensorflow/lite:tflite_exported_symbols.lds)",
        ],
        "//tensorflow:windows": [],
        "//conditions:default": [
            "-Wl,-z,defs",
            "-Wl,--version-script,$(location //tensorflow/lite:tflite_version_script.lds)",
        ],
    }),
    per_os_targets = True,
    deps = [
        ":selectively_built_cc_lib",
        "//tensorflow/lite:tflite_exported_symbols.lds",
        "//tensorflow/lite:tflite_version_script.lds",
    ],
)

Nowo dodany cel można zbudować w następujący sposób:

bazel build -c opt  --cxxopt=--std=c++17 \
  //tmp:tensorflowlite

i dla Androida (zamień android_arm na android_arm64 dla wersji 64-bitowej):

bazel build -c opt --cxxopt=--std=c++17 --config=android_arm \
  //tmp:tensorflowlite

W przypadku modeli z operacjami Select TF musisz także zbudować następującą bibliotekę współdzieloną:

load(
    "@org_tensorflow//tensorflow/lite/delegates/flex:build_def.bzl",
    "tflite_flex_shared_library"
)

# Shared lib target for convenience, pulls in the standard set of TensorFlow
# ops and kernels. The output library name is platform dependent:
#   - Linux/Android: `libtensorflowlite_flex.so`
#   - Mac: `libtensorflowlite_flex.dylib`
#   - Windows: `libtensorflowlite_flex.dll`
tflite_flex_shared_library(
  name = "tensorflowlite_flex",
  models = [
      ":model_one.tflite",
      ":model_two.tflite",
  ],
)

Nowo dodany cel można zbudować w następujący sposób:

bazel build -c opt --cxxopt='--std=c++17' \
      --config=monolithic \
      --host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
      //tmp:tensorflowlite_flex

i dla Androida (zamień android_arm na android_arm64 dla wersji 64-bitowej):

bazel build -c opt --cxxopt='--std=c++17' \
      --config=android_arm \
      --config=monolithic \
      --host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
      //tmp:tensorflowlite_flex

Selektywnie buduj TensorFlow Lite za pomocą Dockera

W tej sekcji założono, że zainstalowałeś Docker na swoim komputerze lokalnym i pobrałeś tutaj plik DockerFlow Lite.

Po pobraniu powyższego pliku Dockerfile możesz zbudować obraz okna dokowanego, uruchamiając:

docker build . -t tflite-builder -f tflite-android.Dockerfile

Kompiluj pliki AAR dla projektu na Androida

Pobierz skrypt do budowania za pomocą Dockera, uruchamiając:

curl -o build_aar_with_docker.sh \
  https://raw.githubusercontent.com/tensorflow/tensorflow/master/tensorflow/lite/tools/build_aar_with_docker.sh &&
chmod +x build_aar_with_docker.sh

Następnie możesz zbudować niestandardowy plik AAR TensorFlow Lite, podając ścieżki plików modelu w następujący sposób.

sh build_aar_with_docker.sh \
  --input_models=/a/b/model_one.tflite,/c/d/model_two.tflite \
  --target_archs=x86,x86_64,arm64-v8a,armeabi-v7a \
  --checkpoint=master \
  [--cache_dir=<path to cache directory>]

Flaga checkpoint to zatwierdzenie, gałąź lub znacznik repozytorium TensorFlow, który chcesz sprawdzić przed zbudowaniem bibliotek; domyślnie jest to gałąź najnowszego wydania. Powyższe polecenie wygeneruje plik AAR tensorflow-lite.aar dla wbudowanych i niestandardowych operacji TensorFlow Lite oraz opcjonalnie plik AAR tensorflow-lite-select-tf-ops.aar dla operacji Select TensorFlow w bieżącym katalogu.

--cache_dir określa katalog pamięci podręcznej. Jeśli nie zostanie podany, skrypt utworzy katalog o nazwie bazel-build-cache w bieżącym katalogu roboczym na potrzeby buforowania.

Dodaj pliki AAR do projektu

Dodaj pliki AAR, bezpośrednio importując plik AAR do swojego projektu lub publikując niestandardowy plik AAR w lokalnym repozytorium Maven . Pamiętaj, że musisz także dodać pliki AAR dla tensorflow-lite-select-tf-ops.aar , jeśli je wygenerujesz.

Kompilacja selektywna dla iOS

Zapoznaj się z sekcją Budowanie lokalne , aby skonfigurować środowisko kompilacji i obszar roboczy TensorFlow, a następnie postępuj zgodnie z przewodnikiem , aby użyć selektywnego skryptu kompilacji dla systemu iOS.