بناء نماذج TensorFlow Lite

تنظيم صفحاتك في مجموعات يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.

توفر هذه الصفحة إرشادات لبناء نماذج TensorFlow بهدف التحويل إلى تنسيق نموذج TensorFlow Lite. تم تصميم نماذج التعلم الآلي (ML) التي تستخدمها مع TensorFlow Lite وتدريبها في الأصل باستخدام مكتبات وأدوات TensorFlow الأساسية. بمجرد إنشاء نموذج باستخدام TensorFlow core ، يمكنك تحويله إلى تنسيق نموذج ML أصغر وأكثر كفاءة يسمى نموذج TensorFlow Lite.

بناء النموذج الخاص بك

إذا كنت تقوم ببناء نموذج مخصص لحالة الاستخدام الخاصة بك ، فيجب أن تبدأ بتطوير نموذج TensorFlow وتدريبه أو توسيع نموذج موجود.

قيود تصميم النموذج

قبل أن تبدأ عملية تطوير النموذج ، يجب أن تكون على دراية بالقيود المفروضة على نماذج TensorFlow Lite وبناء نموذجك مع مراعاة هذه القيود:

  • قدرات الحوسبة المحدودة - بالمقارنة مع الخوادم المجهزة بالكامل مع وحدات المعالجة المركزية المتعددة وسعة الذاكرة العالية والمعالجات المتخصصة مثل وحدات معالجة الرسومات (GPU) و (TPU) ، فإن الأجهزة المحمولة والأجهزة الطرفية محدودة للغاية. بينما تتزايد قوة الحوسبة وتوافق الأجهزة المتخصصة ، فإن النماذج والبيانات التي يمكنك معالجتها بفعالية لا تزال محدودة نسبيًا.
  • حجم النماذج - يزيد التعقيد الكلي للنموذج ، بما في ذلك منطق المعالجة المسبقة للبيانات وعدد الطبقات في النموذج ، من الحجم داخل الذاكرة للنموذج. قد يعمل النموذج الكبير ببطء غير مقبول أو قد لا يتناسب ببساطة مع الذاكرة المتاحة لجهاز محمول أو جهاز حافة.
  • حجم البيانات - يقتصر حجم بيانات الإدخال التي يمكن معالجتها بفعالية باستخدام نموذج التعلم الآلي على الأجهزة المحمولة أو الأجهزة المتطورة. قد لا تتناسب النماذج التي تستخدم مكتبات البيانات الكبيرة مثل مكتبات اللغات أو مكتبات الصور أو مكتبات مقاطع الفيديو مع هذه الأجهزة ، وقد تتطلب حلولًا للتخزين والوصول خارج الجهاز.
  • عمليات TensorFlow المدعومة - تدعم بيئات وقت تشغيل TensorFlow Lite مجموعة فرعية من عمليات نموذج التعلم الآلي مقارنة بنماذج TensorFlow العادية. أثناء قيامك بتطوير نموذج للاستخدام مع TensorFlow Lite ، يجب عليك تتبع توافق النموذج الخاص بك مقابل إمكانيات بيئات وقت تشغيل TensorFlow Lite.

لمزيد من المعلومات حول بناء نماذج فعالة ومتوافقة وعالية الأداء لـ TensorFlow Lite ، راجع أفضل ممارسات الأداء .

تطوير نموذج

لإنشاء نموذج TensorFlow Lite ، تحتاج أولاً إلى إنشاء نموذج باستخدام مكتبات TensorFlow الأساسية. مكتبات TensorFlow الأساسية هي مكتبات ذات مستوى منخفض توفر واجهات برمجة تطبيقات لإنشاء نماذج تعلم الآلة وتدريبها ونشرها.

سير عمل بناء TFLite

يوفر TensorFlow مسارين للقيام بذلك. يمكنك تطوير كود النموذج المخصص الخاص بك أو يمكنك البدء بتطبيق نموذج متاح في TensorFlow Model Garden .

نموذج حديقة

يوفر TensorFlow Model Garden تطبيقات للعديد من نماذج التعلم الآلي الحديثة (ML) للرؤية ومعالجة اللغة الطبيعية (NLP). ستجد أيضًا أدوات سير العمل للسماح لك بتكوين هذه النماذج وتشغيلها بسرعة على مجموعات البيانات القياسية. تتضمن نماذج التعلم الآلي في Model Garden رمزًا كاملاً حتى تتمكن من اختبارها أو تدريبها أو إعادة تدريبها باستخدام مجموعات البيانات الخاصة بك.

سواء كنت تبحث عن قياس الأداء لنموذج مشهور ، أو تحقق من نتائج البحث الذي تم إصداره مؤخرًا ، أو توسيع النماذج الحالية ، يمكن أن تساعدك Model Garden في تحقيق أهداف ML الخاصة بك.

نماذج مخصصة

إذا كانت حالة الاستخدام الخاصة بك خارج تلك التي تدعمها النماذج في Model Garden ، فيمكنك استخدام مكتبة عالية المستوى مثل Keras لتطوير رمز التدريب المخصص الخاص بك. لمعرفة أساسيات TensorFlow ، راجع دليل TensorFlow . لبدء استخدام الأمثلة ، راجع نظرة عامة على برامج TensorFlow التعليمية التي تحتوي على مؤشرات من البداية إلى البرامج التعليمية على مستوى الخبراء.

تقييم النموذج

بمجرد تطوير النموذج الخاص بك ، يجب عليك تقييم أدائه واختباره على أجهزة المستخدم النهائي. يوفر TensorFlow بعض الطرق للقيام بذلك.

  • TensorBoard هي أداة لتوفير القياسات والتصورات اللازمة أثناء سير عمل التعلم الآلي. إنه يتيح تتبع مقاييس التجربة مثل الفقد والدقة ، وتصور الرسم البياني للنموذج ، وإسقاط الزخارف على مساحة ذات أبعاد أقل ، وأكثر من ذلك بكثير.
  • تتوفر أدوات قياس الأداء لكل نظام أساسي مدعوم مثل تطبيق اختبار Android وتطبيق قياس أداء iOS. استخدم هذه الأدوات لقياس الإحصائيات وحسابها لمقاييس الأداء المهمة.

نموذج الأمثل

مع القيود المفروضة على الموارد الخاصة بنماذج TensorFlow Lite ، يمكن أن يساعد تحسين النموذج في ضمان أداء النموذج بشكل جيد واستخدام موارد حسابية أقل. عادة ما يكون أداء نموذج التعلم الآلي هو التوازن بين الحجم وسرعة الاستدلال مقابل الدقة. يدعم TensorFlow Lite حاليًا التحسين من خلال التكميم والتقليم والتكتل. راجع موضوع تحسين النموذج لمزيد من التفاصيل حول هذه الأساليب. يوفر TensorFlow أيضًا مجموعة أدوات تحسين النموذج التي توفر واجهة برمجة تطبيقات تنفذ هذه التقنيات.

الخطوات التالية