O Dia da Comunidade de ML é dia 9 de novembro! Junte-nos para atualização de TensorFlow, JAX, e mais Saiba mais

Assinaturas no TensorFlow Lite

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno

O TensorFlow Lite é compatível com a conversão das especificações de entrada / saída do modelo do TensorFlow em modelos do TensorFlow Lite. As especificações de entrada / saída são chamadas de "assinaturas". As assinaturas podem ser especificadas ao construir um SavedModel ou criar funções concretas.

As assinaturas no TensorFlow Lite fornecem os seguintes recursos:

  • Eles especificam entradas e saídas do modelo TensorFlow Lite convertido, respeitando as assinaturas do modelo TensorFlow.
  • Permita que um único modelo TensorFlow Lite seja compatível com vários pontos de entrada.

A assinatura é composta por três peças:

  • Entradas: Mapeie as entradas do nome da entrada na assinatura para um tensor de entrada.
  • Saídas: Mapa para mapeamento de saída do nome de saída na assinatura para um tensor de saída.
  • Chave de assinatura: nome que identifica um ponto de entrada do gráfico.

Configurar

pip uninstall -y tensorflow keras
pip install tf-nightly
import tensorflow as tf

Modelo de exemplo

Digamos que temos duas tarefas, por exemplo, codificação e decodificação, como um modelo do TensorFlow:

class Model(tf.Module):

  @tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.float32)])
  def encode(self, x):
    result = tf.strings.as_string(x)
    return {
         "encoded_result": result
    }

  @tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.string)])
  def decode(self, x):
    result = tf.strings.to_number(x)
    return {
         "decoded_result": result
    }

Em termos de assinatura, o modelo do TensorFlow acima pode ser resumido da seguinte maneira:

  • Assinatura

    • Chave: codificar
    • Entradas: {"x"}
    • Resultado: {"encoded_result"}
  • Assinatura

    • Chave: decodificar
    • Entradas: {"x"}
    • Resultado: {"decoded_result"}

Converter um modelo com assinaturas

As APIs do conversor do TensorFlow Lite trarão as informações de assinatura acima para o modelo convertido do TensorFlow Lite.

Essa funcionalidade de conversão está disponível em todas as APIs de conversão a partir do TensorFlow versão 2.7.0. Veja exemplos de uso.

Do modelo salvo

model = Model()

# Save the model
SAVED_MODEL_PATH = 'content/saved_models/coding'

tf.saved_model.save(
    model, SAVED_MODEL_PATH,
    signatures={
      'encode': model.encode.get_concrete_function(),
      'decode': model.decode.get_concrete_function()
    })

# Convert the saved model using TFLiteConverter
converter = tf.lite.TFLiteConverter.from_saved_model(SAVED_MODEL_PATH)
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()

# Print the signatures from the converted model
interpreter = tf.lite.Interpreter(model_content=tflite_model)
signatures = interpreter.get_signature_list()
print(signatures)
2021-10-07 13:26:24.918744: W tensorflow/python/util/util.cc:368] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
INFO:tensorflow:Assets written to: content/saved_models/coding/assets
{'decode': {'inputs': ['x'], 'outputs': ['decoded_result']}, 'encode': {'inputs': ['x'], 'outputs': ['encoded_result']} }
2021-10-07 13:26:25.298018: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:363] Ignored output_format.
2021-10-07 13:26:25.298052: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:366] Ignored drop_control_dependency.
2021-10-07 13:26:25.298061: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:372] Ignored change_concat_input_ranges.
2021-10-07 13:26:25.343445: W tensorflow/compiler/mlir/lite/flatbuffer_export.cc:1899] TFLite interpreter needs to link Flex delegate in order to run the model since it contains the following Select TFop(s):
Flex ops: FlexAsString, FlexStringToNumber
Details:
    tf.AsString(tensor<?xf32>) -> (tensor<?x!tf_type.string>) : {device = "", fill = "", precision = -1 : i64, scientific = false, shortest = false, width = -1 : i64}
    tf.StringToNumber(tensor<?x!tf_type.string>) -> (tensor<?xf32>) : {device = "", out_type = f32}
See instructions: https://www.tensorflow.org/lite/guide/ops_select
INFO: Created TensorFlow Lite delegate for select TF ops.
INFO: TfLiteFlexDelegate delegate: 1 nodes delegated out of 1 nodes with 1 partitions.

Do modelo Keras

# Generate a Keras model.
keras_model = tf.keras.Sequential(
    [
        tf.keras.layers.Dense(2, input_dim=4, activation='relu', name='x'),
        tf.keras.layers.Dense(1, activation='relu', name='output'),
    ]
)

# Convert the keras model using TFLiteConverter.
# Keras model converter API uses the default signature automatically.
converter = tf.lite.TFLiteConverter.from_keras_model(keras_model)
tflite_model = converter.convert()

# Print the signatures from the converted model
interpreter = tf.lite.Interpreter(model_content=tflite_model)

signatures = interpreter.get_signature_list()
print(signatures)
INFO:tensorflow:Assets written to: /tmp/tmp7ji0olgi/assets
{'serving_default': {'inputs': ['x_input'], 'outputs': ['output']} }
2021-10-07 13:26:25.967916: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:363] Ignored output_format.
2021-10-07 13:26:25.967951: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:366] Ignored drop_control_dependency.
2021-10-07 13:26:26.029813: W tensorflow/compiler/mlir/lite/flatbuffer_export.cc:704] Cannot get mac count for %0 = "tfl.fully_connected"(%arg0, %cst, %cst_1) {fused_activation_function = "RELU", keep_num_dims = false, weights_format = "DEFAULT"} : (tensor<?x4xf32>, tensor<2x4xf32>, none) -> tensor<?x2xf32>

2021-10-07 13:26:26.029851: W tensorflow/compiler/mlir/lite/flatbuffer_export.cc:704] Cannot get mac count for %1 = "tfl.fully_connected"(%0, %cst_0, %cst_1) {fused_activation_function = "RELU", keep_num_dims = false, weights_format = "DEFAULT"} : (tensor<?x2xf32>, tensor<1x2xf32>, none) -> tensor<?x1xf32>

De Funções Concretas

model = Model()

# Convert the concrete functions using TFLiteConverter
converter = tf.lite.TFLiteConverter.from_concrete_functions(
    [model.encode.get_concrete_function(),
     model.decode.get_concrete_function()], model)
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()

# Print the signatures from the converted model
interpreter = tf.lite.Interpreter(model_content=tflite_model)
signatures = interpreter.get_signature_list()
print(signatures)
INFO:tensorflow:Assets written to: /tmp/tmp63yjmj97/assets
INFO:tensorflow:Assets written to: /tmp/tmp63yjmj97/assets
{'decode': {'inputs': ['x'], 'outputs': ['decoded_result']}, 'encode': {'inputs': ['x'], 'outputs': ['encoded_result']} }
2021-10-07 13:26:26.156465: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:363] Ignored output_format.
2021-10-07 13:26:26.156501: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:366] Ignored drop_control_dependency.
2021-10-07 13:26:26.192370: W tensorflow/compiler/mlir/lite/flatbuffer_export.cc:1899] TFLite interpreter needs to link Flex delegate in order to run the model since it contains the following Select TFop(s):
Flex ops: FlexAsString, FlexStringToNumber
Details:
    tf.AsString(tensor<?xf32>) -> (tensor<?x!tf_type.string>) : {device = "", fill = "", precision = -1 : i64, scientific = false, shortest = false, width = -1 : i64}
    tf.StringToNumber(tensor<?x!tf_type.string>) -> (tensor<?xf32>) : {device = "", out_type = f32}
See instructions: https://www.tensorflow.org/lite/guide/ops_select

Executar assinaturas

As APIs de inferência do TensorFlow são compatíveis com as execuções baseadas em assinatura:

  • Acessando os tensores de entrada / saída por meio dos nomes das entradas e saídas, especificados pela assinatura.
  • Executando cada ponto de entrada do gráfico separadamente, identificado pela chave de assinatura.
  • Suporte para o procedimento de inicialização do SavedModel.

As ligações das linguagens Java, C ++ e Python estão disponíveis atualmente. Veja o exemplo nas seções abaixo.

Java

try (Interpreter interpreter = new Interpreter(file_of_tensorflowlite_model)) {
  // Run encoding signature.
  Map<String, Object> inputs = new HashMap<>();
  inputs.put("x", input);
  Map<String, Object> outputs = new HashMap<>();
  outputs.put("encoded_result", encoded_result);
  interpreter.runSignature(inputs, outputs, "encode");

  // Run decoding signature.
  Map<String, Object> inputs = new HashMap<>();
  inputs.put("x", encoded_result);
  Map<String, Object> outputs = new HashMap<>();
  outputs.put("decoded_result", decoded_result);
  interpreter.runSignature(inputs, outputs, "decode");
}

C ++

SignatureRunner* encode_runner =
    interpreter->GetSignatureRunner("encode");
encode_runner->ResizeInputTensor("x", {100});
encode_runner->AllocateTensors();

TfLiteTensor* input_tensor = encode_runner->input_tensor("x");
float* input = input_tensor->data.f;
// Fill `input`.

encode_runner->Invoke();

const TfLiteTensor* output_tensor = encode_runner->output_tensor(
    "encoded_result");
float* output = output_tensor->data.f;
// Access `output`.

Pitão

# Load the TFLite model in TFLite Interpreter
interpreter = tf.lite.Interpreter(model_content=tflite_model)

# Print the signatures from the converted model
signatures = interpreter.get_signature_list()
print('Signature:', signatures)

# encode and decode are callable with input as arguments.
encode = interpreter.get_signature_runner('encode')
decode = interpreter.get_signature_runner('decode')

# 'encoded' and 'decoded' are dictionaries with all outputs from the inference.
input = tf.constant([1, 2, 3], dtype=tf.float32)
print('Input:', input)
encoded = encode(x=input)
print('Encoded result:', encoded)
decoded = decode(x=encoded['encoded_result'])
print('Decoded result:', decoded)
Signature: {'decode': {'inputs': ['x'], 'outputs': ['decoded_result']}, 'encode': {'inputs': ['x'], 'outputs': ['encoded_result']} }
Input: tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32)
Encoded result: {'encoded_result': array([b'1.000000', b'2.000000', b'3.000000'], dtype=object)}
Decoded result: {'decoded_result': array([1., 2., 3.], dtype=float32)}

Limitações conhecidas

  • Como o interpretador TFLite não garante a segurança do thread, os runners de assinatura do mesmo interpretador não serão executados simultaneamente.
  • O suporte para C / iOS / Swift ainda não está disponível.

Atualizações

  • Versão 2.7
    • O recurso de assinatura múltipla é implementado.
    • Todas as APIs de conversão da versão dois geram modelos TensorFlow Lite habilitados para assinatura.
  • Versão 2.5
    • Recurso de assinatura está disponível através do from_saved_model API conversor.