Cree modelos TensorFlow Lite

Esta página brinda orientación para crear sus modelos de TensorFlow con la intención de convertirlos al formato de modelo de TensorFlow Lite. Los modelos de aprendizaje automático (ML) que usa con TensorFlow Lite se crearon y entrenaron originalmente con las bibliotecas y herramientas principales de TensorFlow. Una vez que haya creado un modelo con TensorFlow Core, puede convertirlo a un formato de modelo ML más pequeño y eficiente llamado modelo TensorFlow Lite.

Construyendo tu modelo

Si está creando un modelo personalizado para su caso de uso específico, debe comenzar con el desarrollo y la capacitación de un modelo de TensorFlow o la ampliación de uno existente.

Restricciones de diseño del modelo

Antes de comenzar el proceso de desarrollo de su modelo, debe tener en cuenta las restricciones de los modelos de TensorFlow Lite y crear su modelo teniendo en cuenta estas restricciones:

  • Capacidades informáticas limitadas : en comparación con los servidores totalmente equipados con varias CPU, alta capacidad de memoria y procesadores especializados, como GPU y TPU, los dispositivos móviles y periféricos son mucho más limitados. Si bien están creciendo en potencia de cómputo y compatibilidad de hardware especializado, los modelos y los datos que puede procesar de manera efectiva con ellos aún son limitados en comparación.
  • Tamaño de los modelos : la complejidad general de un modelo, incluida la lógica de preprocesamiento de datos y la cantidad de capas en el modelo, aumenta el tamaño en memoria de un modelo. Un modelo grande puede funcionar con una lentitud inaceptable o simplemente no cabe en la memoria disponible de un dispositivo móvil o de borde.
  • Tamaño de los datos : el tamaño de los datos de entrada que se pueden procesar de manera efectiva con un modelo de aprendizaje automático está limitado en un dispositivo móvil o de borde. Es posible que los modelos que utilizan grandes bibliotecas de datos, como bibliotecas de idiomas, bibliotecas de imágenes o bibliotecas de videoclips, no se ajusten a estos dispositivos y requieran soluciones de almacenamiento y acceso fuera del dispositivo.
  • Operaciones de TensorFlow admitidas : los entornos de tiempo de ejecución de TensorFlow Lite admiten un subconjunto de operaciones del modelo de aprendizaje automático en comparación con los modelos regulares de TensorFlow. A medida que desarrolla un modelo para usar con TensorFlow Lite, debe realizar un seguimiento de la compatibilidad de su modelo con las capacidades de los entornos de tiempo de ejecución de TensorFlow Lite.

Para obtener más información sobre la creación de modelos efectivos, compatibles y de alto rendimiento para TensorFlow Lite, consulta Mejores prácticas de rendimiento .

Modelo de desarrollo

Para crear un modelo de TensorFlow Lite, primero debe crear un modelo con las bibliotecas principales de TensorFlow. Las bibliotecas principales de TensorFlow son las bibliotecas de nivel inferior que proporcionan API para crear, entrenar e implementar modelos de ML.

Flujo de trabajo de compilación de TFLite

TensorFlow proporciona dos caminos para hacer esto. Puede desarrollar su propio código de modelo personalizado o puede comenzar con una implementación de modelo disponible en TensorFlow Model Garden .

jardín modelo

TensorFlow Model Garden proporciona implementaciones de muchos modelos de aprendizaje automático (ML) de última generación para visión y procesamiento de lenguaje natural (NLP). También encontrará herramientas de flujo de trabajo que le permitirán configurar y ejecutar rápidamente esos modelos en conjuntos de datos estándar. Los modelos de aprendizaje automático en Model Garden incluyen código completo para que pueda probarlos, entrenarlos o volver a entrenarlos utilizando sus propios conjuntos de datos.

Ya sea que esté buscando comparar el rendimiento de un modelo conocido, verificar los resultados de una investigación publicada recientemente o ampliar los modelos existentes, Model Garden puede ayudarlo a impulsar sus objetivos de ML.

Modelos personalizados

Si su caso de uso está fuera de los admitidos por los modelos en Model Garden, puede usar una biblioteca de alto nivel como Keras para desarrollar su código de entrenamiento personalizado. Para conocer los fundamentos de TensorFlow, consulte la guía de TensorFlow . Para comenzar con los ejemplos, consulte la descripción general de los tutoriales de TensorFlow, que contiene sugerencias para tutoriales de nivel principiante a experto.

Evaluación del modelo

Una vez que haya desarrollado su modelo, debe evaluar su rendimiento y probarlo en los dispositivos de los usuarios finales. TensorFlow proporciona algunas formas de hacerlo.

  • TensorBoard es una herramienta para proporcionar las medidas y visualizaciones necesarias durante el flujo de trabajo de aprendizaje automático. Permite el seguimiento de métricas de experimentos como la pérdida y la precisión, la visualización del gráfico del modelo, la proyección de incrustaciones en un espacio dimensional más bajo y mucho más.
  • Las herramientas de evaluación comparativa están disponibles para cada plataforma compatible, como la aplicación de evaluación comparativa de Android y la aplicación de evaluación comparativa de iOS. Utilice estas herramientas para medir y calcular estadísticas para métricas de rendimiento importantes.

Optimización del modelo

Con las restricciones de los recursos específicos de los modelos de TensorFlow Lite, la optimización del modelo puede ayudar a garantizar el buen rendimiento de su modelo y el uso de menos recursos informáticos. El rendimiento del modelo de aprendizaje automático suele ser un equilibrio entre el tamaño y la velocidad de inferencia frente a la precisión. TensorFlow Lite actualmente admite la optimización a través de la cuantificación, la poda y la agrupación. Consulte el tema de optimización de modelos para obtener más detalles sobre estas técnicas. TensorFlow también proporciona un kit de herramientas de optimización de modelos que proporciona una API que implementa estas técnicas.

Próximos pasos