Благодарим за настройку Google I/O. Посмотреть все сеансы по запросу Смотреть по запросу

Преобразование моделей TensorFlow

На этой странице описывается, как преобразовать модель TensorFlow в модель TensorFlow Lite (оптимизированный формат FlatBuffer , определяемый расширением файла .tflite ) с помощью конвертера TensorFlow Lite.

Рабочий процесс преобразования

На приведенной ниже диаграмме показан рабочий процесс высокого уровня для преобразования вашей модели:

Рабочий процесс конвертера TFLite

Рис. 1. Рабочий процесс преобразователя.

Вы можете преобразовать свою модель, используя один из следующих вариантов:

  1. Python API ( рекомендуется ): это позволяет интегрировать преобразование в конвейер разработки, применять оптимизации, добавлять метаданные и выполнять многие другие задачи, упрощающие процесс преобразования.
  2. Командная строка : поддерживает только базовое преобразование модели.

API Python

Вспомогательный код: чтобы узнать больше об API конвертера TensorFlow Lite, запустите print(help(tf.lite.TFLiteConverter)) .

Преобразуйте модель TensorFlow с помощью tf.lite.TFLiteConverter . Модель TensorFlow хранится в формате SavedModel и создается либо с помощью высокоуровневых API-интерфейсов tf.keras.* (модель Keras), либо низкоуровневых API-интерфейсов tf.* (из которых вы создаете конкретные функции). В результате у вас есть следующие три варианта (примеры приведены в следующих нескольких разделах):

Преобразование SavedModel (рекомендуется)

В следующем примере показано, как преобразовать SavedModel в модель TensorFlow Lite.

import tensorflow as tf

# Convert the model
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) # path to the SavedModel directory
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Преобразование модели Keras

В следующем примере показано, как преобразовать модель Keras в модель TensorFlow Lite.

import tensorflow as tf

# Create a model using high-level tf.keras.* APIs
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1]),
    tf.keras.layers.Dense(units=16, activation='relu'),
    tf.keras.layers.Dense(units=1)
])
model.compile(optimizer='sgd', loss='mean_squared_error') # compile the model
model.fit(x=[-1, 0, 1], y=[-3, -1, 1], epochs=5) # train the model
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_keras_dir")

# Convert the model.
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Преобразование конкретных функций

В следующем примере показано, как преобразовать конкретные функции в модель TensorFlow Lite.

import tensorflow as tf

# Create a model using low-level tf.* APIs
class Squared(tf.Module):
  @tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.float32)])
  def __call__(self, x):
    return tf.square(x)
model = Squared()
# (ro run your model) result = Squared(5.0) # This prints "25.0"
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_tf_dir")
concrete_func = model.__call__.get_concrete_function()

# Convert the model.

converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func],
                                                            model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Другие особенности

  • Примените оптимизации . Распространенной оптимизацией является квантование после обучения , которое может дополнительно уменьшить задержку и размер вашей модели с минимальной потерей точности.

  • Добавьте метаданные , которые упростят создание кода оболочки для конкретной платформы при развертывании моделей на устройствах.

Ошибки преобразования

Ниже приведены распространенные ошибки преобразования и способы их устранения.

Инструмент командной строки

Если вы установили TensorFlow 2.x из pip , используйте команду tflite_convert . Чтобы просмотреть все доступные флаги, используйте следующую команду:

$ tflite_convert --help

`--output_file`. Type: string. Full path of the output file.
`--saved_model_dir`. Type: string. Full path to the SavedModel directory.
`--keras_model_file`. Type: string. Full path to the Keras H5 model file.
`--enable_v1_converter`. Type: bool. (default False) Enables the converter and flags used in TF 1.x instead of TF 2.x.

You are required to provide the `--output_file` flag and either the `--saved_model_dir` or `--keras_model_file` flag.

Если у вас загружен исходный код TensorFlow 2.x и вы хотите запустить конвертер из этого источника без сборки и установки пакета, вы можете заменить « tflite_convert » на « bazel run tensorflow/lite/python:tflite_convert -- » в команде.

Преобразование сохраненной модели

tflite_convert \
  --saved_model_dir=/tmp/mobilenet_saved_model \
  --output_file=/tmp/mobilenet.tflite

Преобразование модели Keras H5

tflite_convert \
  --keras_model_file=/tmp/mobilenet_keras_model.h5 \
  --output_file=/tmp/mobilenet.tflite

Следующие шаги

Используйте интерпретатор TensorFlow Lite для выполнения вывода на клиентском устройстве (например, мобильном, встроенном).