Mises à jour des API

Cette page fournit des informations sur les mises à jour apportées à l' API Python tf.lite.TFLiteConverter dans TensorFlow 2.x.

  • TensorFlow 2.3

    • Prend en charge le type d'entrée/sortie entier (auparavant, uniquement flottant) pour les modèles quantifiés entiers à l'aide des nouveaux attributs inference_input_type et inference_output_type . Reportez-vous à cet exemple d'utilisation .
    • Prise en charge de la conversion et du redimensionnement des modèles avec des dimensions dynamiques.
    • Ajout d'un nouveau mode de quantification expérimentale avec des activations 16 bits et des poids 8 bits.

  • TensorFlow 2.2

    • Par défaut, tirez parti de la conversion basée sur MLIR , la technologie de compilateur de pointe de Google pour l'apprentissage automatique. Cela permet la conversion de nouvelles classes de modèles, y compris Mask R-CNN, Mobile BERT, etc. et prend en charge les modèles avec un flux de contrôle fonctionnel.

  • Comparaison entre TensorFlow 2.0 et TensorFlow 1.x

    • L'attribut target_ops renommé en target_spec.supported_ops
    • Suppression des attributs suivants :
      • quantification : inference_type , quantized_input_stats , post_training_quantize , default_ranges_stats , reorder_across_fake_quant , change_concat_input_ranges , get_input_arrays() . Au lieu de cela, la formation sensible à la quantification est prise en charge via l'API tf.keras et la quantification post-formation utilise moins d'attributs.
      • visualisation : output_format , dump_graphviz_dir , dump_graphviz_video . Au lieu de cela, l'approche recommandée pour visualiser un modèle TensorFlow Lite consiste à utiliser visualize.py .
      • graphes figés : drop_control_dependency , car les graphes figés ne sont pas pris en charge dans TensorFlow 2.x.
    • Suppression d'autres API de conversion telles que tf.lite.toco_convert et tf.lite.TocoConverter
    • Suppression d'autres API associées telles que tf.lite.OpHint et tf.lite.constants (les types tf.lite.constants.* ont été mappés sur les types de données tf.* TensorFlow, pour réduire la duplication)