7 दिसंबर को महिला एमएल संगोष्ठी में भाग लें अभी पंजीकरण करें

TensorFlow लाइट मॉडल बनाएं

संग्रह की मदद से व्यवस्थित रहें अपनी प्राथमिकताओं के आधार पर, कॉन्टेंट को सेव करें और कैटगरी में बांटें.

यह पृष्ठ TensorFlow लाइट मॉडल प्रारूप में कनवर्ट करने के इरादे से आपके TensorFlow मॉडल के निर्माण के लिए मार्गदर्शन प्रदान करता है। TensorFlow Lite के साथ आपके द्वारा उपयोग किए जाने वाले मशीन लर्निंग (ML) मॉडल मूल रूप से TensorFlow कोर लाइब्रेरी और टूल का उपयोग करके बनाए और प्रशिक्षित किए गए हैं। एक बार जब आप TensorFlow कोर के साथ एक मॉडल बना लेते हैं, तो आप इसे एक छोटे, अधिक कुशल ML मॉडल प्रारूप में बदल सकते हैं जिसे TensorFlow Lite मॉडल कहा जाता है।

  • यदि आपके पास पहले से कनवर्ट करने के लिए कोई मॉडल है, तो अपने मॉडल को रूपांतरित करने के बारे में मार्गदर्शन के लिए मॉडल रूपांतरित करें अवलोकन पृष्ठ देखें.

  • यदि आप किसी मौजूदा मॉडल को नए सिरे से शुरू करने के बजाय संशोधित करना चाहते हैं, तो मार्गदर्शन के लिए मॉडल संशोधित करें अवलोकन देखें।

अपने मॉडल का निर्माण

यदि आप अपने विशिष्ट उपयोग के मामले के लिए एक कस्टम मॉडल का निर्माण कर रहे हैं, तो आपको एक TensorFlow मॉडल के विकास और प्रशिक्षण के साथ शुरू करना चाहिए या किसी मौजूदा मॉडल का विस्तार करना चाहिए।

मॉडल डिजाइन की कमी

अपनी मॉडल विकास प्रक्रिया शुरू करने से पहले, आपको TensorFlow Lite मॉडल की बाधाओं के बारे में पता होना चाहिए और इन बाधाओं को ध्यान में रखते हुए अपने मॉडल का निर्माण करना चाहिए:

  • सीमित गणना क्षमताएं - कई सीपीयू, उच्च मेमोरी क्षमता और जीपीयू और टीपीयू जैसे विशेष प्रोसेसर वाले पूरी तरह से सुसज्जित सर्वर की तुलना में, मोबाइल और एज डिवाइस बहुत अधिक सीमित हैं। जबकि वे कंप्यूट पावर और विशेष हार्डवेयर संगतता में बढ़ रहे हैं, मॉडल और डेटा जिन्हें आप उनके साथ प्रभावी ढंग से संसाधित कर सकते हैं, अभी भी तुलनात्मक रूप से सीमित हैं।
  • मॉडल का आकार - एक मॉडल की समग्र जटिलता, जिसमें डेटा प्री-प्रोसेसिंग लॉजिक और मॉडल में परतों की संख्या शामिल है, एक मॉडल के इन-मेमोरी आकार को बढ़ाता है। एक बड़ा मॉडल अस्वीकार्य रूप से धीमा चल सकता है या मोबाइल या एज डिवाइस की उपलब्ध मेमोरी में फिट नहीं हो सकता है।
  • डेटा का आकार - मशीन लर्निंग मॉडल के साथ प्रभावी ढंग से संसाधित किए जा सकने वाले इनपुट डेटा का आकार मोबाइल या एज डिवाइस पर सीमित होता है। बड़े डेटा लाइब्रेरी जैसे भाषा लाइब्रेरी, इमेज लाइब्रेरी या वीडियो क्लिप लाइब्रेरी का उपयोग करने वाले मॉडल इन उपकरणों पर फिट नहीं हो सकते हैं, और उन्हें ऑफ-डिवाइस स्टोरेज और एक्सेस समाधान की आवश्यकता हो सकती है।
  • समर्थित TensorFlow संचालन - TensorFlow लाइट रनटाइम वातावरण नियमित TensorFlow मॉडल की तुलना में मशीन लर्निंग मॉडल संचालन के सबसेट का समर्थन करता है। जैसे ही आप TensorFlow Lite के साथ उपयोग के लिए एक मॉडल विकसित करते हैं, आपको TensorFlow Lite रनटाइम वातावरण की क्षमताओं के विरुद्ध अपने मॉडल की संगतता को ट्रैक करना चाहिए।

अधिक जानकारी के लिए TensorFlow Lite के लिए प्रभावी, संगत, उच्च प्रदर्शन मॉडल बनाने के लिए, प्रदर्शन सर्वोत्तम अभ्यास देखें।

विकास का मॉडल

TensorFlow Lite मॉडल बनाने के लिए, आपको सबसे पहले TensorFlow कोर लाइब्रेरी का उपयोग करके एक मॉडल बनाना होगा। TensorFlow कोर लाइब्रेरी निचले स्तर के पुस्तकालय हैं जो एमएल मॉडल बनाने, प्रशिक्षित करने और तैनात करने के लिए एपीआई प्रदान करते हैं।

टीएफलाइट बिल्ड वर्कफ़्लो

TensorFlow ऐसा करने के लिए दो रास्ते प्रदान करता है। आप अपना खुद का कस्टम मॉडल कोड विकसित कर सकते हैं या आप TensorFlow मॉडल गार्डन में उपलब्ध मॉडल कार्यान्वयन के साथ शुरुआत कर सकते हैं।

मॉडल गार्डन

TensorFlow मॉडल गार्डन दृष्टि और प्राकृतिक भाषा प्रसंस्करण (NLP) के लिए कई अत्याधुनिक मशीन लर्निंग (ML) मॉडल का कार्यान्वयन प्रदान करता है। आपको उन मॉडलों को मानक डेटासेट पर त्वरित रूप से कॉन्फ़िगर करने और चलाने देने के लिए वर्कफ़्लो टूल भी मिलेंगे। मॉडल गार्डन में मशीन लर्निंग मॉडल में पूर्ण कोड शामिल होता है ताकि आप अपने स्वयं के डेटासेट का उपयोग करके उनका परीक्षण, प्रशिक्षण या पुन: प्रशिक्षित कर सकें।

चाहे आप किसी प्रसिद्ध मॉडल के प्रदर्शन को बेंचमार्क करना चाहते हों, हाल ही में जारी किए गए शोध के परिणामों को सत्यापित करना चाहते हों, या मौजूदा मॉडलों का विस्तार करना चाहते हों, मॉडल गार्डन आपके एमएल लक्ष्यों को पूरा करने में आपकी मदद कर सकता है।

कस्टम मॉडल

यदि आपका उपयोग केस मॉडल गार्डन में समर्थित मॉडल से बाहर है, तो आप अपने कस्टम प्रशिक्षण कोड को विकसित करने के लिए केरस जैसे उच्च स्तरीय पुस्तकालय का उपयोग कर सकते हैं। TensorFlow के मूल सिद्धांतों को जानने के लिए, TensorFlow गाइड देखें। उदाहरणों के साथ आरंभ करने के लिए, TensorFlow ट्यूटोरियल ओवरव्यू देखें जिसमें शुरुआत से लेकर विशेषज्ञ स्तर तक के ट्यूटोरियल शामिल हैं।

मॉडल मूल्यांकन

एक बार जब आप अपना मॉडल विकसित कर लेते हैं, तो आपको इसके प्रदर्शन का मूल्यांकन करना चाहिए और इसे अंतिम-उपयोगकर्ता उपकरणों पर परीक्षण करना चाहिए। TensorFlow ऐसा करने के कुछ तरीके प्रदान करता है।

  • TensorBoard मशीन लर्निंग वर्कफ़्लो के दौरान आवश्यक माप और विज़ुअलाइज़ेशन प्रदान करने का एक उपकरण है। यह हानि और सटीकता जैसे प्रयोग मेट्रिक्स को ट्रैक करने में सक्षम बनाता है, मॉडल ग्राफ़ की कल्पना करता है, एम्बेडिंग को कम आयामी स्थान पर प्रोजेक्ट करता है, और बहुत कुछ।
  • बेंचमार्किंग टूल प्रत्येक समर्थित प्लेटफ़ॉर्म जैसे Android बेंचमार्क ऐप और iOS बेंचमार्क ऐप के लिए उपलब्ध हैं। महत्वपूर्ण प्रदर्शन मीट्रिक के आंकड़ों को मापने और गणना करने के लिए इन उपकरणों का उपयोग करें।

मॉडल अनुकूलन

TensorFlow Lite मॉडल के लिए विशिष्ट संसाधनों पर बाधाओं के साथ, मॉडल ऑप्टिमाइज़ेशन आपके मॉडल के प्रदर्शन को अच्छी तरह से सुनिश्चित करने में मदद कर सकता है और कम गणना संसाधनों का उपयोग करता है। मशीन लर्निंग मॉडल का प्रदर्शन आमतौर पर आकार और अनुमान की गति बनाम सटीकता के बीच संतुलन होता है। TensorFlow Lite वर्तमान में परिमाणीकरण, छंटाई और क्लस्टरिंग के माध्यम से अनुकूलन का समर्थन करता है। इन तकनीकों के बारे में अधिक जानकारी के लिए मॉडल अनुकूलन विषय देखें। TensorFlow एक मॉडल ऑप्टिमाइज़ेशन टूलकिट भी प्रदान करता है जो एक API प्रदान करता है जो इन तकनीकों को लागू करता है।

अगले कदम