Halaman ini memberikan informasi tentang pembaruan yang dilakukan pada tf.lite.TFLiteConverter
Python API di TensorFlow 2.x.
TensorFlow 2.3
- Mendukung tipe input/output integer (sebelumnya, hanya float) untuk model terkuantisasi integer menggunakan atribut
inference_input_type
daninference_output_type
yang baru. Lihat contoh penggunaan ini. - Mendukung konversi dan pengubahan ukuran model dengan dimensi dinamis.
- Menambahkan mode kuantisasi eksperimental baru dengan aktivasi 16-bit dan bobot 8-bit.
- Mendukung tipe input/output integer (sebelumnya, hanya float) untuk model terkuantisasi integer menggunakan atribut
TensorFlow 2.2
- Secara default, manfaatkan konversi berbasis MLIR , teknologi kompiler canggih Google untuk pembelajaran mesin. Ini memungkinkan konversi kelas model baru, termasuk Mask R-CNN, Mobile BERT, dll dan mendukung model dengan aliran kontrol fungsional.
TensorFlow 2.0 vs TensorFlow 1.x
- Mengganti nama atribut
target_ops
menjaditarget_spec.supported_ops
- Menghapus atribut berikut:
- kuantisasi :
inference_type
,quantized_input_stats
,post_training_quantize
,default_ranges_stats
,reorder_across_fake_quant
,change_concat_input_ranges
,get_input_arrays()
. Sebaliknya, pelatihan sadar kuantisasi didukung melalui APItf.keras
dan kuantisasi pasca pelatihan menggunakan lebih sedikit atribut. - visualisasi :
output_format
,dump_graphviz_dir
,dump_graphviz_video
. Sebagai gantinya, pendekatan yang disarankan untuk memvisualisasikan model TensorFlow Lite adalah dengan menggunakan visualize.py . - grafik beku :
drop_control_dependency
, karena grafik beku tidak didukung di TensorFlow 2.x.
- kuantisasi :
- Menghapus API konverter lain seperti
tf.lite.toco_convert
dantf.lite.TocoConverter
- Menghapus API terkait lainnya seperti
tf.lite.OpHint
dantf.lite.constants
(tipetf.lite.constants.*
telah dipetakan ketf.*
tipe data TensorFlow, untuk mengurangi duplikasi)
- Mengganti nama atribut