Buat API Tugas Anda sendiri

Pustaka Tugas TensorFlow Lite menyediakan API bawaan/Android/iOS bawaan di atas infrastruktur yang sama yang mengabstraksi TensorFlow. Anda dapat memperluas infrastruktur API Tugas untuk membuat API yang disesuaikan jika model Anda tidak didukung oleh pustaka Tugas yang ada.

Ringkasan

Infrastruktur Task API memiliki struktur dua lapisan: lapisan C++ bawah yang merangkum runtime TFLite asli dan lapisan Java/ObjC atas yang berkomunikasi dengan lapisan C++ melalui JNI atau pembungkus asli.

Menerapkan semua logika TensorFlow hanya dalam C++ akan meminimalkan biaya, memaksimalkan kinerja inferensi, dan menyederhanakan keseluruhan alur kerja di seluruh platform.

Untuk membuat kelas Tugas, perluas BaseTaskApi untuk menyediakan logika konversi antara antarmuka model TFLite dan antarmuka Task API, lalu gunakan utilitas Java/ObjC untuk membuat API yang sesuai. Dengan semua detail TensorFlow disembunyikan, Anda dapat menerapkan model TFLite di aplikasi Anda tanpa pengetahuan machine learning apa pun.

TensorFlow Lite menyediakan beberapa API bawaan untuk tugas Vision dan NLP paling populer . Anda dapat membangun API Anda sendiri untuk tugas lain menggunakan infrastruktur API Tugas.

prebuilt_task_apis
Gambar 1. API Tugas bawaan

Bangun API Anda sendiri dengan infra . API Tugas

C++ API

Semua detail TFLite diimplementasikan di API asli. Buat objek API dengan menggunakan salah satu fungsi pabrik dan dapatkan hasil model dengan memanggil fungsi yang ditentukan di antarmuka.

Contoh penggunaan

Berikut adalah contoh menggunakan C++ BertQuestionAnswerer untuk MobileBert .

  char kBertModelPath[] = "path/to/model.tflite";
  // Create the API from a model file
  std::unique_ptr<BertQuestionAnswerer> question_answerer =
      BertQuestionAnswerer::CreateFromFile(kBertModelPath);

  char kContext[] = ...; // context of a question to be answered
  char kQuestion[] = ...; // question to be answered
  // ask a question
  std::vector<QaAnswer> answers = question_answerer.Answer(kContext, kQuestion);
  // answers[0].text is the best answer

Membangun API

native_task_api
Gambar 2. Native Task API

Untuk membangun objek API, Anda harus memberikan informasi berikut dengan memperluas BaseTaskApi

  • Tentukan I/O API - API Anda harus mengekspos input/output serupa di berbagai platform. misalnya BertQuestionAnswerer mengambil dua string (std::string& context, std::string& question) sebagai input dan output vektor kemungkinan jawaban dan probabilitas sebagai std::vector<QaAnswer> . Ini dilakukan dengan menentukan jenis yang sesuai dalam parameter template BaseTaskApi . Dengan parameter template yang ditentukan, fungsi BaseTaskApi::Infer akan memiliki tipe input/output yang benar. Fungsi ini dapat dipanggil secara langsung oleh klien API, tetapi merupakan praktik yang baik untuk membungkusnya di dalam fungsi khusus model, dalam hal ini, BertQuestionAnswerer::Answer .

    class BertQuestionAnswerer : public BaseTaskApi<
                                  std::vector<QaAnswer>, // OutputType
                                  const std::string&, const std::string& // InputTypes
                                  > {
      // Model specific function delegating calls to BaseTaskApi::Infer
      std::vector<QaAnswer> Answer(const std::string& context, const std::string& question) {
        return Infer(context, question).value();
      }
    }
    
  • Menyediakan logika konversi antara API I/O dan tensor input/output model - Dengan tipe input dan output yang ditentukan, subclass juga perlu mengimplementasikan fungsi yang diketik BaseTaskApi::Preprocess dan BaseTaskApi::Postprocess . Kedua fungsi tersebut memberikan input dan output dari TFLite FlatBuffer . Subclass bertanggung jawab untuk menetapkan nilai dari API I/O ke tensor I/O. Lihat contoh implementasi lengkap di BertQuestionAnswerer .

    class BertQuestionAnswerer : public BaseTaskApi<
                                  std::vector<QaAnswer>, // OutputType
                                  const std::string&, const std::string& // InputTypes
                                  > {
      // Convert API input into tensors
      absl::Status BertQuestionAnswerer::Preprocess(
        const std::vector<TfLiteTensor*>& input_tensors, // input tensors of the model
        const std::string& context, const std::string& query // InputType of the API
      ) {
        // Perform tokenization on input strings
        ...
        // Populate IDs, Masks and SegmentIDs to corresponding input tensors
        PopulateTensor(input_ids, input_tensors[0]);
        PopulateTensor(input_mask, input_tensors[1]);
        PopulateTensor(segment_ids, input_tensors[2]);
        return absl::OkStatus();
      }
    
      // Convert output tensors into API output
      StatusOr<std::vector<QaAnswer>> // OutputType
      BertQuestionAnswerer::Postprocess(
        const std::vector<const TfLiteTensor*>& output_tensors, // output tensors of the model
      ) {
        // Get start/end logits of prediction result from output tensors
        std::vector<float> end_logits;
        std::vector<float> start_logits;
        // output_tensors[0]: end_logits FLOAT[1, 384]
        PopulateVector(output_tensors[0], &end_logits);
        // output_tensors[1]: start_logits FLOAT[1, 384]
        PopulateVector(output_tensors[1], &start_logits);
        ...
        std::vector<QaAnswer::Pos> orig_results;
        // Look up the indices from vocabulary file and build results
        ...
        return orig_results;
      }
    }
    
  • Buat fungsi pabrik dari API - File model dan OpResolver diperlukan untuk menginisialisasi tflite::Interpreter . TaskAPIFactory menyediakan fungsi utilitas untuk membuat instance BaseTaskApi.

    Anda juga harus menyediakan file apa pun yang terkait dengan model. misalnya, BertQuestionAnswerer juga dapat memiliki file tambahan untuk kosakata tokenizer-nya.

    class BertQuestionAnswerer : public BaseTaskApi<
                                  std::vector<QaAnswer>, // OutputType
                                  const std::string&, const std::string& // InputTypes
                                  > {
      // Factory function to create the API instance
      StatusOr<std::unique_ptr<QuestionAnswerer>>
      BertQuestionAnswerer::CreateBertQuestionAnswerer(
          const std::string& path_to_model, // model to passed to TaskApiFactory
          const std::string& path_to_vocab  // additional model specific files
      ) {
        // Creates an API object by calling one of the utils from TaskAPIFactory
        std::unique_ptr<BertQuestionAnswerer> api_to_init;
        ASSIGN_OR_RETURN(
            api_to_init,
            core::TaskAPIFactory::CreateFromFile<BertQuestionAnswerer>(
                path_to_model,
                absl::make_unique<tflite::ops::builtin::BuiltinOpResolver>(),
                kNumLiteThreads));
    
        // Perform additional model specific initializations
        // In this case building a vocabulary vector from the vocab file.
        api_to_init->InitializeVocab(path_to_vocab);
        return api_to_init;
      }
    }
    

Android API

Buat Android API dengan mendefinisikan antarmuka Java/Kotlin dan mendelegasikan logika ke lapisan C++ melalui JNI. Android API membutuhkan API asli untuk dibangun terlebih dahulu.

Contoh penggunaan

Berikut adalah contoh penggunaan Java BertQuestionAnswerer untuk MobileBert .

  String BERT_MODEL_FILE = "path/to/model.tflite";
  String VOCAB_FILE = "path/to/vocab.txt";
  // Create the API from a model file and vocabulary file
    BertQuestionAnswerer bertQuestionAnswerer =
        BertQuestionAnswerer.createBertQuestionAnswerer(
            ApplicationProvider.getApplicationContext(), BERT_MODEL_FILE, VOCAB_FILE);

  String CONTEXT = ...; // context of a question to be answered
  String QUESTION = ...; // question to be answered
  // ask a question
  List<QaAnswer> answers = bertQuestionAnswerer.answer(CONTEXT, QUESTION);
  // answers.get(0).text is the best answer

Membangun API

android_task_api
Gambar 3. Android Task API

Mirip dengan Native API, untuk membangun objek API, klien perlu memberikan informasi berikut dengan memperluas BaseTaskApi , yang menyediakan penanganan JNI untuk semua Java Task API.

  • Tentukan I/O API - Ini biasanya mencerminkan antarmuka asli. misalnya BertQuestionAnswerer mengambil (String context, String question) sebagai input dan output List<QaAnswer> . Implementasinya memanggil fungsi asli pribadi dengan tanda tangan yang serupa, kecuali ia memiliki parameter tambahan long nativeHandle , yang merupakan pointer yang dikembalikan dari C++.

    class BertQuestionAnswerer extends BaseTaskApi {
      public List<QaAnswer> answer(String context, String question) {
        return answerNative(getNativeHandle(), context, question);
      }
    
      private static native List<QaAnswer> answerNative(
                                            long nativeHandle, // C++ pointer
                                            String context, String question // API I/O
                                           );
    
    }
    
  • Buat fungsi pabrik API - Ini juga mencerminkan fungsi pabrik asli, kecuali fungsi pabrik Android juga perlu mengambil Context untuk akses file. Implementasinya memanggil salah satu utilitas di TaskJniUtils untuk membangun objek C++ API yang sesuai dan meneruskan penunjuknya ke konstruktor BaseTaskApi .

      class BertQuestionAnswerer extends BaseTaskApi {
        private static final String BERT_QUESTION_ANSWERER_NATIVE_LIBNAME =
                                                  "bert_question_answerer_jni";
    
        // Extending super constructor by providing the
        // native handle(pointer of corresponding C++ API object)
        private BertQuestionAnswerer(long nativeHandle) {
          super(nativeHandle);
        }
    
        public static BertQuestionAnswerer createBertQuestionAnswerer(
                                            Context context, // Accessing Android files
                                            String pathToModel, String pathToVocab) {
          return new BertQuestionAnswerer(
              // The util first try loads the JNI module with name
              // BERT_QUESTION_ANSWERER_NATIVE_LIBNAME, then opens two files,
              // converts them into ByteBuffer, finally ::initJniWithBertByteBuffers
              // is called with the buffer for a C++ API object pointer
              TaskJniUtils.createHandleWithMultipleAssetFilesFromLibrary(
                  context,
                  BertQuestionAnswerer::initJniWithBertByteBuffers,
                  BERT_QUESTION_ANSWERER_NATIVE_LIBNAME,
                  pathToModel,
                  pathToVocab));
        }
    
        // modelBuffers[0] is tflite model file buffer, and modelBuffers[1] is vocab file buffer.
        // returns C++ API object pointer casted to long
        private static native long initJniWithBertByteBuffers(ByteBuffer... modelBuffers);
    
      }
    
  • Menerapkan modul JNI untuk fungsi asli - Semua metode asli Java diimplementasikan dengan memanggil fungsi asli yang sesuai dari modul JNI. Fungsi pabrik akan membuat objek API asli dan mengembalikan penunjuknya sebagai tipe panjang ke Java. Dalam panggilan selanjutnya ke Java API, penunjuk tipe panjang diteruskan kembali ke JNI dan dilemparkan kembali ke objek API asli. Hasil API asli kemudian dikonversi kembali ke hasil Java.

    Misalnya, ini adalah bagaimana bert_question_answerer_jni diterapkan.

      // Implements BertQuestionAnswerer::initJniWithBertByteBuffers
      extern "C" JNIEXPORT jlong JNICALL
      Java_org_tensorflow_lite_task_text_qa_BertQuestionAnswerer_initJniWithBertByteBuffers(
          JNIEnv* env, jclass thiz, jobjectArray model_buffers) {
        // Convert Java ByteBuffer object into a buffer that can be read by native factory functions
        absl::string_view model =
            GetMappedFileBuffer(env, env->GetObjectArrayElement(model_buffers, 0));
    
        // Creates the native API object
        absl::StatusOr<std::unique_ptr<QuestionAnswerer>> status =
            BertQuestionAnswerer::CreateFromBuffer(
                model.data(), model.size());
        if (status.ok()) {
          // converts the object pointer to jlong and return to Java.
          return reinterpret_cast<jlong>(status->release());
        } else {
          return kInvalidPointer;
        }
      }
    
      // Implements BertQuestionAnswerer::answerNative
      extern "C" JNIEXPORT jobject JNICALL
      Java_org_tensorflow_lite_task_text_qa_BertQuestionAnswerer_answerNative(
      JNIEnv* env, jclass thiz, jlong native_handle, jstring context, jstring question) {
      // Convert long to native API object pointer
      QuestionAnswerer* question_answerer = reinterpret_cast<QuestionAnswerer*>(native_handle);
    
      // Calls the native API
      std::vector<QaAnswer> results = question_answerer->Answer(JStringToString(env, context),
                                             JStringToString(env, question));
    
      // Converts native result(std::vector<QaAnswer>) to Java result(List<QaAnswerer>)
      jclass qa_answer_class =
        env->FindClass("org/tensorflow/lite/task/text/qa/QaAnswer");
      jmethodID qa_answer_ctor =
        env->GetMethodID(qa_answer_class, "<init>", "(Ljava/lang/String;IIF)V");
      return ConvertVectorToArrayList<QaAnswer>(
        env, results,
        [env, qa_answer_class, qa_answer_ctor](const QaAnswer& ans) {
          jstring text = env->NewStringUTF(ans.text.data());
          jobject qa_answer =
              env->NewObject(qa_answer_class, qa_answer_ctor, text, ans.pos.start,
                             ans.pos.end, ans.pos.logit);
          env->DeleteLocalRef(text);
          return qa_answer;
        });
      }
    
      // Implements BaseTaskApi::deinitJni by delete the native object
      extern "C" JNIEXPORT void JNICALL Java_task_core_BaseTaskApi_deinitJni(
          JNIEnv* env, jobject thiz, jlong native_handle) {
        delete reinterpret_cast<QuestionAnswerer*>(native_handle);
      }
    

API iOS

Buat API iOS dengan membungkus objek API asli menjadi objek API ObjC. Objek API yang dibuat dapat digunakan di ObjC atau Swift. iOS API membutuhkan API asli untuk dibuat terlebih dahulu.

Contoh penggunaan

Berikut adalah contoh menggunakan ObjC TFLBertQuestionAnswerer untuk MobileBert di Swift.

  static let mobileBertModelPath = "path/to/model.tflite";
  // Create the API from a model file and vocabulary file
  let mobileBertAnswerer = TFLBertQuestionAnswerer.mobilebertQuestionAnswerer(
      modelPath: mobileBertModelPath)

  static let context = ...; // context of a question to be answered
  static let question = ...; // question to be answered
  // ask a question
  let answers = mobileBertAnswerer.answer(
      context: TFLBertQuestionAnswererTest.context, question: TFLBertQuestionAnswererTest.question)
  // answers.[0].text is the best answer

Membangun API

ios_task_api
Gambar 4. API Tugas iOS

iOS API adalah pembungkus ObjC sederhana di atas API asli. Bangun API dengan mengikuti langkah-langkah di bawah ini:

  • Tentukan pembungkus ObjC - Tentukan kelas ObjC dan delegasikan implementasinya ke objek API asli yang sesuai. Perhatikan bahwa dependensi asli hanya dapat muncul dalam file .mm karena Swift tidak dapat melakukan interop dengan C++.

    • file .h
      @interface TFLBertQuestionAnswerer : NSObject
    
      // Delegate calls to the native BertQuestionAnswerer::CreateBertQuestionAnswerer
      + (instancetype)mobilebertQuestionAnswererWithModelPath:(NSString*)modelPath
                                                    vocabPath:(NSString*)vocabPath
          NS_SWIFT_NAME(mobilebertQuestionAnswerer(modelPath:vocabPath:));
    
      // Delegate calls to the native BertQuestionAnswerer::Answer
      - (NSArray<TFLQAAnswer*>*)answerWithContext:(NSString*)context
                                         question:(NSString*)question
          NS_SWIFT_NAME(answer(context:question:));
    }
    
    • file .mm
      using BertQuestionAnswererCPP = ::tflite::task::text::BertQuestionAnswerer;
    
      @implementation TFLBertQuestionAnswerer {
        // define an iVar for the native API object
        std::unique_ptr<QuestionAnswererCPP> _bertQuestionAnswerwer;
      }
    
      // Initialize the native API object
      + (instancetype)mobilebertQuestionAnswererWithModelPath:(NSString *)modelPath
                                              vocabPath:(NSString *)vocabPath {
        absl::StatusOr<std::unique_ptr<QuestionAnswererCPP>> cQuestionAnswerer =
            BertQuestionAnswererCPP::CreateBertQuestionAnswerer(MakeString(modelPath),
                                                                MakeString(vocabPath));
        _GTMDevAssert(cQuestionAnswerer.ok(), @"Failed to create BertQuestionAnswerer");
        return [[TFLBertQuestionAnswerer alloc]
            initWithQuestionAnswerer:std::move(cQuestionAnswerer.value())];
      }
    
      // Calls the native API and converts C++ results into ObjC results
      - (NSArray<TFLQAAnswer *> *)answerWithContext:(NSString *)context question:(NSString *)question {
        std::vector<QaAnswerCPP> results =
          _bertQuestionAnswerwer->Answer(MakeString(context), MakeString(question));
        return [self arrayFromVector:results];
      }
    }