Visão geral
Ao implementar modelos para aplicativos de aprendizado de máquina no dispositivo (ODML), é importante estar ciente da memória limitada que está disponível em dispositivos móveis. Os tamanhos binários do modelo estão intimamente relacionados ao número de operações usadas no modelo. O TensorFlow Lite permite reduzir os tamanhos binários do modelo usando compilações seletivas. As compilações seletivas ignoram as operações não utilizadas em seu conjunto de modelos e produzem uma biblioteca compacta apenas com o tempo de execução e os kernels operacionais necessários para que o modelo seja executado em seu dispositivo móvel.
A construção seletiva se aplica às três bibliotecas de operações a seguir.
- Biblioteca de operações integrada do TensorFlow Lite
- Operações personalizadas do TensorFlow Lite
- Selecione a biblioteca de operações do TensorFlow
A tabela abaixo demonstra o impacto das compilações seletivas para alguns casos de uso comuns:
Nome do Modelo | Domínio | Arquitetura alvo | Tamanho (s) do arquivo AAR |
---|---|---|---|
Mobilenet_1.0_224 (flutuante) | Classificação de imagem | armeabi-v7a | tensorflow-lite.aar (296.635 bytes) |
arm64-v8a | tensorflow-lite.aar (382.892 bytes) | ||
ESPECIARIA | Extração de tom de som | armeabi-v7a | tensorflow-lite.aar (375.813 bytes) tensorflow-lite-select-tf-ops.aar (1.676.380 bytes) |
arm64-v8a | tensorflow-lite.aar (421.826 bytes) tensorflow-lite-select-tf-ops.aar (2.298.630 bytes) | ||
i3d-cinética-400 | Classificação de vídeo | armeabi-v7a | tensorflow-lite.aar (240.085 bytes) tensorflow-lite-select-tf-ops.aar (1.708.597 bytes) |
arm64-v8a | tensorflow-lite.aar (273.713 bytes) tensorflow-lite-select-tf-ops.aar (2.339.697 bytes) |
Problemas / limitações conhecidos
- Compilação seletiva para API C e versão iOS não são suportadas atualmente.
Crie seletivamente o TensorFlow Lite com o Bazel
Esta seção pressupõe que você tenha baixado códigos fonte TensorFlow e configurar o ambiente de desenvolvimento local para Bazel.
Crie arquivos AAR para o projeto Android
Você pode criar os AARs personalizados do TensorFlow Lite fornecendo os caminhos do arquivo de modelo 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
O comando acima irá gerar o arquivo AAR bazel-bin/tmp/tensorflow-lite.aar
para TensorFlow Lite embutido e personalizado ops; e, opcionalmente, gera o arquivo aar bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar
se os seus modelos contêm ops Select TensorFlow. Observe que isso cria um AAR "gordo" com várias arquiteturas diferentes; se você não precisar de todos eles, use o subconjunto apropriado para seu ambiente de implementação.
Construir com operações personalizadas
Se você desenvolveu modelos do Tensorflow Lite com operações personalizadas, pode criá-los adicionando as seguintes sinalizações ao comando de compilação:
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
O tflite_custom_ops_srcs
bandeira contém arquivos de origem de seus ops personalizados eo tflite_custom_ops_deps
bandeira contém dependências para construir os arquivos de origem. Observe que essas dependências devem existir no repositório TensorFlow.
Usos avançados: regras personalizadas do Bazel
Se o seu projeto está usando o Bazel e você gostaria de definir dependências TFLite personalizadas para um determinado conjunto de modelos, você pode definir as seguintes regras no repositório do projeto:
Apenas para os modelos com operações integradas:
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",
],
)
Para os modelos com as ops 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",
],
)
Usos avançados: construir bibliotecas compartilhadas C / C ++ personalizadas
Se você gostaria de construir seus próprios objetos compartilhados TFLite C / C ++ personalizados para os modelos fornecidos, você pode seguir as etapas abaixo:
Crie um arquivo BUILD temporário executando o seguinte comando no diretório raiz do código-fonte do TensorFlow:
mkdir -p tmp && touch tmp/BUILD
Construindo objetos compartilhados C personalizados
Se você gostaria de construir um costume TFLite C objeto compartilhado, adicione o seguinte ao tmp/BUILD
arquivo:
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,$(location //tensorflow/lite/c:version_script.lds)",
],
}),
per_os_targets = True,
deps = [
":selectively_built_c_lib",
"//tensorflow/lite/c:exported_symbols.lds",
"//tensorflow/lite/c:version_script.lds",
],
)
O alvo recém-adicionado pode ser construído da seguinte maneira:
bazel build -c opt --cxxopt=--std=c++14 \
//tmp:tensorflowlite_c
e para Android (substitua android_arm
com android_arm64
para 64-bit):
bazel build -c opt --cxxopt=--std=c++14 --config=android_arm \
//tmp:tensorflowlite_c
Criação de objetos compartilhados C ++ personalizados
Se você gostaria de construir um costume TFLite C ++ objeto compartilhado, adicione o seguinte ao tmp/BUILD
arquivo:
load(
"//tensorflow/lite:build_def.bzl",
"tflite_custom_cc_library",
"tflite_cc_shared_object",
)
tflite_custom_cc_library(
name = "selectively_built_cc_lib",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
# Shared lib target for convenience, pulls in the core runtime and builtin ops.
# Note: This target is not yet finalized, and the exact set of exported (C/C++)
# APIs is subject to change. The output library name is platform dependent:
# - Linux/Android: `libtensorflowlite.so`
# - Mac: `libtensorflowlite.dylib`
# - Windows: `tensorflowlite.dll`
tflite_cc_shared_object(
name = "tensorflowlite",
# Until we have more granular symbol export for the C++ API on Windows,
# export all symbols.
features = ["windows_export_all_symbols"],
linkopts = select({
"//tensorflow:macos": [
"-Wl,-exported_symbols_list,$(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",
],
)
O alvo recém-adicionado pode ser construído da seguinte maneira:
bazel build -c opt --cxxopt=--std=c++14 \
//tmp:tensorflowlite
e para Android (substitua android_arm
com android_arm64
para 64-bit):
bazel build -c opt --cxxopt=--std=c++14 --config=android_arm \
//tmp:tensorflowlite
Para os modelos com as operações Select TF, você também precisa construir a seguinte biblioteca compartilhada:
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",
],
)
O alvo recém-adicionado pode ser construído da seguinte maneira:
bazel build -c opt --cxxopt='--std=c++14' \
--config=monolithic \
--host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
//tmp:tensorflowlite_flex
e para Android (substitua android_arm
com android_arm64
para 64-bit):
bazel build -c opt --cxxopt='--std=c++14' \
--config=android_arm \
--config=monolithic \
--host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
//tmp:tensorflowlite_flex
Crie seletivamente o TensorFlow Lite com Docker
Esta seção assume que você tenha instalado Docker em sua máquina local e baixou o TensorFlow Lite Dockerfile aqui .
Depois de baixar o Dockerfile acima, você pode construir a imagem do docker executando:
docker build . -t tflite-builder -f tflite-android.Dockerfile
Crie arquivos AAR para o projeto Android
Baixe o script para construir com o Docker executando:
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
Em seguida, você pode criar o TensorFlow Lite AAR personalizado, fornecendo os caminhos do arquivo de modelo da seguinte maneira.
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>]
O checkpoint
bandeira é um commit, uma sucursal ou um tag do repo TensorFlow que deseja check-out antes de construir as bibliotecas; por padrão, é o branch de lançamento mais recente. O comando acima irá gerar o arquivo AAR tensorflow-lite.aar
para TensorFlow Lite embutido e ops personalizados e, opcionalmente, o arquivo AAR tensorflow-lite-select-tf-ops.aar
para ops Select TensorFlow no seu diretório atual.
O --cache_dir especifica o diretório de cache. Se não for fornecido, o script irá criar um diretório chamado bazel-build-cache
sob o diretório de trabalho atual para o cache.
Adicionar arquivos AAR ao projeto
Adicionar arquivos AAR pela diretamente importar o AAR em seu projeto , ou pela publicação da AAR personalizado para seu repositório local Maven . Note que você tem que adicionar os arquivos AAR para tensorflow-lite-select-tf-ops.aar
bem se você gerá-lo.