این صفحه اطلاعاتی درباره بهروزرسانیهای انجامشده در tf.lite.TFLiteConverter
Python API در TensorFlow 2.x ارائه میکند.
TensorFlow 2.3
- از نوع ورودی/خروجی عدد صحیح (قبلاً فقط شناور) برای مدلهای کوانتیزهشده اعداد صحیح با استفاده از ویژگیهای
inference_output_type
وinference_input_type
جدید پشتیبانی میکند. به این مثال استفاده مراجعه کنید. - پشتیبانی از تبدیل و تغییر اندازه مدل های با ابعاد پویا.
- یک حالت کوانتیزاسیون آزمایشی جدید با فعال سازی های 16 بیتی و وزن های 8 بیتی اضافه شده است.
- از نوع ورودی/خروجی عدد صحیح (قبلاً فقط شناور) برای مدلهای کوانتیزهشده اعداد صحیح با استفاده از ویژگیهای
TensorFlow 2.2
- بهطور پیشفرض، از تبدیل مبتنی بر MLIR ، فناوری کامپایلر پیشرفته Google برای یادگیری ماشین استفاده کنید. این امکان تبدیل کلاسهای جدید مدلها از جمله Mask R-CNN، Mobile BERT و غیره را فراهم میکند و از مدلهایی با جریان کنترل عملکردی پشتیبانی میکند.
TensorFlow 2.0 در مقابل TensorFlow 1.x
- ویژگی
target_ops
را بهtarget_spec.supported_ops
تغییر نام داد - ویژگی های زیر را حذف کرد:
- Quantization :
inference_type
،quantized_input_stats
،post_training_quantize
،default_ranges_stats
،reorder_across_fake_quant
،change_concat_input_ranges
،get_input_arrays()
. در عوض، آموزش آگاهانه کوانتیز از طریق APItf.keras
پشتیبانی میشود و کمیسازی پس از آموزش از ویژگیهای کمتری استفاده میکند. - تجسم :
output_format
,dump_graphviz_dir
,dump_graphviz_video
. در عوض، روش توصیه شده برای تجسم یک مدل TensorFlow Lite استفاده از visualize.py است. - نمودارهای ثابت:
drop_control_dependency
، زیرا نمودارهای ثابت در TensorFlow 2.x پشتیبانی نمی شوند.
- Quantization :
- سایر APIهای مبدل مانند
tf.lite.toco_convert
وtf.lite.TocoConverter
- سایر APIهای مرتبط مانند
tf.lite.OpHint
وtf.lite.constants
(انواعtf.lite.constants.*
بهtf.*
انواع داده TensorFlow، برای کاهش تکرار)
- ویژگی