به روز رسانی API

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 و inference_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.

• 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 به target_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 API tf.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.
  • سایر APIهای مبدل مانند tf.lite.toco_convert و tf.lite.TocoConverter
  • سایر APIهای مرتبط مانند tf.lite.OpHint و tf.lite.constants (انواع tf.lite.constants.* به tf.* انواع داده TensorFlow، برای کاهش تکرار)