एक कस्टम प्रतिनिधि को लागू करना

एक TensorFlow लाइट प्रतिनिधि क्या है?

एक TensorFlow लाइट प्रतिनिधि आपको किसी अन्य निष्पादक पर अपने मॉडल (आंशिक या संपूर्ण) चलाने की अनुमति देता है। यह तंत्र विभिन्न प्रकार के ऑन-डिवाइस त्वरक जैसे GPU या एज टीपीयू (टेन्सर प्रोसेसिंग यूनिट) का लाभ उठा सकता है। यह डेवलपर्स को अनुमान को गति देने के लिए डिफ़ॉल्ट TFLite से एक लचीली और डिकॉउंड विधि प्रदान करता है।

नीचे दिया गया आरेख प्रतिनिधियों को सारांशित करता है, नीचे के अनुभागों में अधिक विवरण।

TFLite Delegates

मुझे एक कस्टम प्रतिनिधि कब बनाना चाहिए?

TensorFlow Lite में GPU, DSP, EdgeTPU और Android NNAPI जैसे फ्रेमवर्क जैसे लक्ष्य त्वरक के लिए प्रतिनिधियों की एक विस्तृत विविधता है।

अपना स्वयं का प्रतिनिधि बनाना निम्नलिखित परिदृश्यों में उपयोगी है:

  • आप एक नए एमएल अनुमान इंजन को एकीकृत करना चाहते हैं जो किसी मौजूदा प्रतिनिधि द्वारा समर्थित नहीं है।
  • आपके पास एक कस्टम हार्डवेयर एक्सेलेरेटर है जो ज्ञात परिदृश्यों के लिए रनटाइम को बेहतर बनाता है।
  • आप CPU अनुकूलन (जैसे ऑपरेटर फ़्यूज़िंग) विकसित कर रहे हैं जो कुछ मॉडलों को गति दे सकता है।

प्रतिनिधि कैसे काम करते हैं?

एक साधारण मॉडल ग्राफ़ पर विचार करें जैसे कि निम्नलिखित, और एक प्रतिनिधि "MyDelegate" जिसमें Conv2D और माध्य संचालन के लिए तेज़ कार्यान्वयन है।

Original graph

इस "MyDelegate" को लागू करने के बाद, मूल TensorFlow लाइट ग्राफ़ को निम्न की तरह अपडेट किया जाएगा:

Graph with delegate

ऊपर दिए गए ग्राफ़ को TensorFlow Lite के रूप में प्राप्त किया जाता है, जो दो नियमों का पालन करते हुए मूल ग्राफ़ को विभाजित करता है:

  • विशिष्ट संचालन जिन्हें प्रतिनिधि द्वारा नियंत्रित किया जा सकता है, उन्हें संचालन के बीच मूल कंप्यूटिंग वर्कफ़्लो निर्भरता को संतुष्ट करते हुए एक विभाजन में डाल दिया जाता है।
  • प्रत्येक को प्रत्यायोजित विभाजन में केवल इनपुट और आउटपुट नोड होते हैं जिन्हें प्रतिनिधि द्वारा नियंत्रित नहीं किया जाता है।

प्रत्येक विभाजन जिसे एक प्रतिनिधि द्वारा नियंत्रित किया जाता है, को मूल ग्राफ में एक प्रतिनिधि नोड (जिसे एक प्रतिनिधि कर्नेल भी कहा जा सकता है) द्वारा प्रतिस्थापित किया जाता है जो कि इसके आह्वान कॉल पर विभाजन का मूल्यांकन करता है।

मॉडल के आधार पर, अंतिम ग्राफ़ एक या अधिक नोड्स के साथ समाप्त हो सकता है, बाद का अर्थ है कि कुछ ऑप्स प्रतिनिधि द्वारा समर्थित नहीं हैं। सामान्य तौर पर, आप नहीं चाहते हैं कि प्रतिनिधि द्वारा कई विभाजनों को संभाला जाए, क्योंकि हर बार जब आप प्रतिनिधि से मुख्य ग्राफ़ पर स्विच करते हैं, तो प्रत्यायोजित सबग्राफ से परिणामों को मुख्य ग्राफ़ में पास करने के लिए एक ओवरहेड होता है जो स्मृति के कारण होता है प्रतियां (उदाहरण के लिए, GPU से CPU)। इस तरह के ओवरहेड प्रदर्शन लाभ की भरपाई कर सकते हैं, खासकर जब बड़ी मात्रा में मेमोरी प्रतियां हों।

अपने स्वयं के कस्टम प्रतिनिधि को लागू करना

एक प्रतिनिधि जोड़ने के लिए पसंदीदा तरीका SimpleDelegate API का उपयोग करना है।

एक नया प्रतिनिधि बनाने के लिए, आपको 2 इंटरफेस लागू करने और इंटरफ़ेस विधियों के लिए अपना स्वयं का कार्यान्वयन प्रदान करने की आवश्यकता है।

1 - SimpleDelegateInterface

यह वर्ग प्रतिनिधि की क्षमताओं का प्रतिनिधित्व करता है, कौन से संचालन समर्थित हैं, और एक कर्नेल बनाने के लिए एक कारखाना वर्ग जो प्रत्यायोजित ग्राफ को समाहित करता है। अधिक विवरण के लिए, इस C++ शीर्षलेख फ़ाइल में परिभाषित इंटरफ़ेस देखें। कोड में टिप्पणियां प्रत्येक एपीआई को विस्तार से बताती हैं।

2 - SimpleDelegateKernelInterface

यह वर्ग प्रत्यायोजित विभाजन को प्रारंभ/तैयार/और चलाने के लिए तर्क को समाहित करता है।

इसमें है: ( परिभाषा देखें)

  • Init(...): जिसे एक बार किसी भी एक बार इनिशियलाइज़ करने के लिए बुलाया जाएगा।
  • तैयार करें (...): इस नोड के प्रत्येक अलग उदाहरण के लिए कहा जाता है - ऐसा तब होता है जब आपके पास एकाधिक प्रत्यायोजित विभाजन होते हैं। आम तौर पर आप यहां मेमोरी आवंटन करना चाहते हैं, क्योंकि इसे हर बार टेनर्स का आकार बदलने पर बुलाया जाएगा।
  • Invoke (...): जिसे अनुमान के लिए बुलाया जाएगा।

उदाहरण

इस उदाहरण में, आप एक बहुत ही सरल प्रतिनिधि बनाएंगे जो केवल फ्लोट32 टेंसर के साथ केवल 2 प्रकार के संचालन (एडीडी) और (एसयूबी) का समर्थन कर सकता है।

// MyDelegate implements the interface of SimpleDelegateInterface.
// This holds the Delegate capabilities.
class MyDelegate : public SimpleDelegateInterface {
 public:
  bool IsNodeSupportedByDelegate(const TfLiteRegistration* registration,
                                 const TfLiteNode* node,
                                 TfLiteContext* context) const override {
    // Only supports Add and Sub ops.
    if (kTfLiteBuiltinAdd != registration->builtin_code &&
        kTfLiteBuiltinSub != registration->builtin_code)
      return false;
    // This delegate only supports float32 types.
    for (int i = 0; i < node->inputs->size; ++i) {
      auto& tensor = context->tensors[node->inputs->data[i]];
      if (tensor.type != kTfLiteFloat32) return false;
    }
    return true;
  }

  TfLiteStatus Initialize(TfLiteContext* context) override { return kTfLiteOk; }

  const char* Name() const override {
    static constexpr char kName[] = "MyDelegate";
    return kName;
  }

  std::unique_ptr<SimpleDelegateKernelInterface> CreateDelegateKernelInterface()
      override {
    return std::make_unique<MyDelegateKernel>();
  }
};

इसके बाद, SimpleDelegateKernelInterface से इनहेरिट करके अपना स्वयं का प्रतिनिधि कर्नेल बनाएं

// My delegate kernel.
class MyDelegateKernel : public SimpleDelegateKernelInterface {
 public:
  TfLiteStatus Init(TfLiteContext* context,
                    const TfLiteDelegateParams* params) override {
    // Save index to all nodes which are part of this delegate.
    inputs_.resize(params->nodes_to_replace->size);
    outputs_.resize(params->nodes_to_replace->size);
    builtin_code_.resize(params->nodes_to_replace->size);
    for (int i = 0; i < params->nodes_to_replace->size; ++i) {
      const int node_index = params->nodes_to_replace->data[i];
      // Get this node information.
      TfLiteNode* delegated_node = nullptr;
      TfLiteRegistration* delegated_node_registration = nullptr;
      TF_LITE_ENSURE_EQ(
          context,
          context->GetNodeAndRegistration(context, node_index, &delegated_node,
                                          &delegated_node_registration),
          kTfLiteOk);
      inputs_[i].push_back(delegated_node->inputs->data[0]);
      inputs_[i].push_back(delegated_node->inputs->data[1]);
      outputs_[i].push_back(delegated_node->outputs->data[0]);
      builtin_code_[i] = delegated_node_registration->builtin_code;
    }
    return kTfLiteOk;
  }

  TfLiteStatus Prepare(TfLiteContext* context, TfLiteNode* node) override {
    return kTfLiteOk;
  }

  TfLiteStatus Eval(TfLiteContext* context, TfLiteNode* node) override {
    // Evaluate the delegated graph.
    // Here we loop over all the delegated nodes.
    // We know that all the nodes are either ADD or SUB operations and the
    // number of nodes equals ''inputs_.size()'' and inputs[i] is a list of
    // tensor indices for inputs to node ''i'', while outputs_[i] is the list of
    // outputs for node
    // ''i''. Note, that it is intentional we have simple implementation as this
    // is for demonstration.

    for (int i = 0; i < inputs_.size(); ++i) {
      // Get the node input tensors.
      // Add/Sub operation accepts 2 inputs.
      auto& input_tensor_1 = context->tensors[inputs_[i][0]];
      auto& input_tensor_2 = context->tensors[inputs_[i][1]];
      auto& output_tensor = context->tensors[outputs_[i][0]];
      TF_LITE_ENSURE_EQ(
          context,
          ComputeResult(context, builtin_code_[i], &input_tensor_1,
                        &input_tensor_2, &output_tensor),
          kTfLiteOk);
    }
    return kTfLiteOk;
  }

 private:
  // Computes the result of addition of 'input_tensor_1' and 'input_tensor_2'
  // and store the result in 'output_tensor'.
  TfLiteStatus ComputeResult(TfLiteContext* context, int builtin_code,
                             const TfLiteTensor* input_tensor_1,
                             const TfLiteTensor* input_tensor_2,
                             TfLiteTensor* output_tensor) {
    if (NumElements(input_tensor_1) != NumElements(input_tensor_2) ||
        NumElements(input_tensor_1) != NumElements(output_tensor)) {
      return kTfLiteDelegateError;
    }
    // This code assumes no activation, and no broadcasting needed (both inputs
    // have the same size).
    auto* input_1 = GetTensorData<float>(input_tensor_1);
    auto* input_2 = GetTensorData<float>(input_tensor_2);
    auto* output = GetTensorData<float>(output_tensor);
    for (int i = 0; i < NumElements(input_tensor_1); ++i) {
      if (builtin_code == kTfLiteBuiltinAdd)
        output[i] = input_1[i] + input_2[i];
      else
        output[i] = input_1[i] - input_2[i];
    }
    return kTfLiteOk;
  }

  // Holds the indices of the input/output tensors.
  // inputs_[i] is list of all input tensors to node at index 'i'.
  // outputs_[i] is list of all output tensors to node at index 'i'.
  std::vector<std::vector<int>> inputs_, outputs_;
  // Holds the builtin code of the ops.
  // builtin_code_[i] is the type of node at index 'i'
  std::vector<int> builtin_code_;
};


बेंचमार्क और नए प्रतिनिधि का मूल्यांकन

TFLite में टूल का एक सेट होता है जिसे आप TFLite मॉडल के विरुद्ध शीघ्रता से परीक्षण कर सकते हैं।

  • मॉडल बेंचमार्क टूल : टूल एक टीएफलाइट मॉडल लेता है, यादृच्छिक इनपुट उत्पन्न करता है, और फिर निर्दिष्ट संख्या में रनों के लिए मॉडल को बार-बार चलाता है। यह अंत में एकत्रित विलंबता आँकड़े प्रिंट करता है।
  • अनुमान अंतर उपकरण : किसी दिए गए मॉडल के लिए, उपकरण यादृच्छिक गाऊसी डेटा उत्पन्न करता है और इसे दो अलग-अलग टीएफलाइट दुभाषियों के माध्यम से पास करता है, एक एकल थ्रेडेड सीपीयू कर्नेल और दूसरा उपयोगकर्ता-परिभाषित कल्पना का उपयोग करता है। यह प्रति-तत्व के आधार पर प्रत्येक दुभाषिया से आउटपुट टेंसर के बीच पूर्ण अंतर को मापता है। यह उपकरण सटीकता के मुद्दों को डीबग करने में भी सहायक हो सकता है।
  • छवि वर्गीकरण और वस्तु का पता लगाने के लिए कार्य विशिष्ट मूल्यांकन उपकरण भी हैं। ये उपकरण यहां पाए जा सकते हैं

इसके अलावा, टीएफलाइट में कर्नेल और ऑप यूनिट परीक्षणों का एक बड़ा सेट है जिसे अधिक कवरेज के साथ नए प्रतिनिधि का परीक्षण करने के लिए पुन: उपयोग किया जा सकता है और यह सुनिश्चित करने के लिए कि नियमित टीएफलाइट निष्पादन पथ टूटा नहीं है।

नए प्रतिनिधि के लिए टीएफलाइट परीक्षणों और टूलिंग का पुन: उपयोग करने के लिए, आप निम्नलिखित दो विकल्पों में से किसी एक का उपयोग कर सकते हैं:

सबसे अच्छा तरीका चुनना

दोनों दृष्टिकोणों में नीचे दिए गए विवरण के अनुसार कुछ बदलावों की आवश्यकता है। हालांकि, पहला दृष्टिकोण प्रतिनिधि को स्थिर रूप से जोड़ता है और परीक्षण, बेंचमार्किंग और मूल्यांकन टूल के पुनर्निर्माण की आवश्यकता होती है। इसके विपरीत, दूसरा प्रतिनिधि एक साझा पुस्तकालय के रूप में बनाता है और आपको साझा पुस्तकालय से बनाने/हटाने के तरीकों को उजागर करने की आवश्यकता होती है।

परिणामस्वरूप, बाहरी-प्रतिनिधि तंत्र TFLite के पूर्व-निर्मित Tensorflow Lite टूलिंग बायनेरिज़ के साथ काम करेगा। लेकिन यह कम स्पष्ट है और इसे स्वचालित एकीकरण परीक्षणों में स्थापित करना अधिक जटिल हो सकता है। बेहतर स्पष्टता के लिए प्रतिनिधि पंजीयक दृष्टिकोण का प्रयोग करें।

विकल्प 1: लीवरेज डेलिगेट रजिस्ट्रार

प्रतिनिधि रजिस्ट्रार प्रतिनिधि प्रदाताओं की एक सूची रखता है, जिनमें से प्रत्येक कमांड-लाइन फ़्लैग के आधार पर TFLite प्रतिनिधियों को बनाने का एक आसान तरीका प्रदान करता है, और इसलिए, टूलिंग के लिए सुविधाजनक है। ऊपर बताए गए सभी Tensorflow Lite टूल में नए प्रतिनिधि को प्लग इन करने के लिए, आप पहले इस तरह का एक नया प्रतिनिधि प्रदाता बनाते हैं, और फिर BUILD नियमों में केवल कुछ बदलाव करते हैं। इस एकीकरण प्रक्रिया का एक पूरा उदाहरण नीचे दिखाया गया है (और कोड यहां पाया जा सकता है)।

मान लें कि आपके पास एक प्रतिनिधि है जो SimpleDelegate APIs को लागू करता है, और इस 'डमी' प्रतिनिधि को बनाने/हटाने के बाहरी "C" APIs जैसा कि नीचे दिखाया गया है:

// Returns default options for DummyDelegate.
DummyDelegateOptions TfLiteDummyDelegateOptionsDefault();

// Creates a new delegate instance that need to be destroyed with
// `TfLiteDummyDelegateDelete` when delegate is no longer used by TFLite.
// When `options` is set to `nullptr`, the above default values are used:
TfLiteDelegate* TfLiteDummyDelegateCreate(const DummyDelegateOptions* options);

// Destroys a delegate created with `TfLiteDummyDelegateCreate` call.
void TfLiteDummyDelegateDelete(TfLiteDelegate* delegate);

बेंचमार्क टूल और इंट्रेंस टूल के साथ "डमीडिलीगेट" को एकीकृत करने के लिए, नीचे की तरह एक डेलिगेटप्रोवाइडर को परिभाषित करें:

class DummyDelegateProvider : public DelegateProvider {
 public:
  DummyDelegateProvider() {
    default_params_.AddParam("use_dummy_delegate",
                             ToolParam::Create<bool>(false));
  }

  std::vector<Flag> CreateFlags(ToolParams* params) const final;

  void LogParams(const ToolParams& params) const final;

  TfLiteDelegatePtr CreateTfLiteDelegate(const ToolParams& params) const final;

  std::string GetName() const final { return "DummyDelegate"; }
};
REGISTER_DELEGATE_PROVIDER(DummyDelegateProvider);

std::vector<Flag> DummyDelegateProvider::CreateFlags(ToolParams* params) const {
  std::vector<Flag> flags = {CreateFlag<bool>("use_dummy_delegate", params,
                                              "use the dummy delegate.")};
  return flags;
}

void DummyDelegateProvider::LogParams(const ToolParams& params) const {
  TFLITE_LOG(INFO) << "Use dummy test delegate : ["
                   << params.Get<bool>("use_dummy_delegate") << "]";
}

TfLiteDelegatePtr DummyDelegateProvider::CreateTfLiteDelegate(
    const ToolParams& params) const {
  if (params.Get<bool>("use_dummy_delegate")) {
    auto default_options = TfLiteDummyDelegateOptionsDefault();
    return TfLiteDummyDelegateCreateUnique(&default_options);
  }
  return TfLiteDelegatePtr(nullptr, [](TfLiteDelegate*) {});
}

बिल्ड नियम परिभाषाएं महत्वपूर्ण हैं क्योंकि आपको यह सुनिश्चित करने की आवश्यकता है कि पुस्तकालय हमेशा जुड़ा हुआ है और अनुकूलक द्वारा छोड़ा नहीं गया है।

#### The following are for using the dummy test delegate in TFLite tooling ####
cc_library(
    name = "dummy_delegate_provider",
    srcs = ["dummy_delegate_provider.cc"],
    copts = tflite_copts(),
    deps = [
        ":dummy_delegate",
        "//tensorflow/lite/tools/delegates:delegate_provider_hdr",
    ],
    alwayslink = 1, # This is required so the optimizer doesn't optimize the library away.
)

अब बेंचमार्क टूल और इंफ़ेक्शन टूल और अन्य मूल्यांकन टूल का एक संस्करण बनाने के लिए अपनी BUILD फ़ाइल में इन दो रैपर नियमों को जोड़ें, जो आपके अपने प्रतिनिधि के साथ चल सकें।

cc_binary(
    name = "benchmark_model_plus_dummy_delegate",
    copts = tflite_copts(),
    linkopts = task_linkopts(),
    deps = [
        ":dummy_delegate_provider",
        "//tensorflow/lite/tools/benchmark:benchmark_model_main",
    ],
)

cc_binary(
    name = "inference_diff_plus_dummy_delegate",
    copts = tflite_copts(),
    linkopts = task_linkopts(),
    deps = [
        ":dummy_delegate_provider",
        "//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
        "//tensorflow/lite/tools/evaluation/tasks/inference_diff:run_eval_lib",
    ],
)

cc_binary(
    name = "imagenet_classification_eval_plus_dummy_delegate",
    copts = tflite_copts(),
    linkopts = task_linkopts(),
    deps = [
        ":dummy_delegate_provider",
        "//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
        "//tensorflow/lite/tools/evaluation/tasks/imagenet_image_classification:run_eval_lib",
    ],
)

cc_binary(
    name = "coco_object_detection_eval_plus_dummy_delegate",
    copts = tflite_copts(),
    linkopts = task_linkopts(),
    deps = [
        ":dummy_delegate_provider",
        "//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
        "//tensorflow/lite/tools/evaluation/tasks/coco_object_detection:run_eval_lib",
    ],
)

आप इस प्रतिनिधि प्रदाता को टीएफलाइट कर्नेल परीक्षण में भी प्लग इन कर सकते हैं जैसा कि यहां बताया गया है।

विकल्प 2: बाहरी प्रतिनिधि का लाभ उठाएं

इस विकल्प में, आप सबसे पहले एक बाहरी डेलिगेट एडेप्टर को बाहरी_डेलेगेट_एडाप्टर.सीसी बनाते हैं, जैसा कि नीचे दिखाया गया है। ध्यान दें, जैसा कि ऊपर बताया गया है, विकल्प 1 की तुलना में यह तरीका थोड़ा कम पसंद किया जाता है।

TfLiteDelegate* CreateDummyDelegateFromOptions(char** options_keys,
                                               char** options_values,
                                               size_t num_options) {
  DummyDelegateOptions options = TfLiteDummyDelegateOptionsDefault();

  // Parse key-values options to DummyDelegateOptions.
  // You can achieve this by mimicking them as command-line flags.
  std::unique_ptr<const char*> argv =
      std::unique_ptr<const char*>(new const char*[num_options + 1]);
  constexpr char kDummyDelegateParsing[] = "dummy_delegate_parsing";
  argv.get()[0] = kDummyDelegateParsing;

  std::vector<std::string> option_args;
  option_args.reserve(num_options);
  for (int i = 0; i < num_options; ++i) {
    option_args.emplace_back("--");
    option_args.rbegin()->append(options_keys[i]);
    option_args.rbegin()->push_back('=');
    option_args.rbegin()->append(options_values[i]);
    argv.get()[i + 1] = option_args.rbegin()->c_str();
  }

  // Define command-line flags.
  // ...
  std::vector<tflite::Flag> flag_list = {
      tflite::Flag::CreateFlag(...),
      ...,
      tflite::Flag::CreateFlag(...),
  };

  int argc = num_options + 1;
  if (!tflite::Flags::Parse(&argc, argv.get(), flag_list)) {
    return nullptr;
  }

  return TfLiteDummyDelegateCreate(&options);
}

#ifdef __cplusplus
extern "C" {
#endif  // __cplusplus

// Defines two symbols that need to be exported to use the TFLite external
// delegate. See tensorflow/lite/delegates/external for details.
TFL_CAPI_EXPORT TfLiteDelegate* tflite_plugin_create_delegate(
    char** options_keys, char** options_values, size_t num_options,
    void (*report_error)(const char*)) {
  return tflite::tools::CreateDummyDelegateFromOptions(
      options_keys, options_values, num_options);
}

TFL_CAPI_EXPORT void tflite_plugin_destroy_delegate(TfLiteDelegate* delegate) {
  TfLiteDummyDelegateDelete(delegate);
}

#ifdef __cplusplus
}
#endif  // __cplusplus

अब डायनामिक लाइब्रेरी बनाने के लिए संबंधित BUILD टारगेट बनाएं जैसा कि नीचे दिखाया गया है:

cc_binary(
    name = "dummy_external_delegate.so",
    srcs = [
        "external_delegate_adaptor.cc",
    ],
    linkshared = 1,
    linkstatic = 1,
    deps = [
        ":dummy_delegate",
        "//tensorflow/lite/c:common",
        "//tensorflow/lite/tools:command_line_flags",
        "//tensorflow/lite/tools:logging",
    ],
)

इस बाहरी प्रतिनिधि .so फ़ाइल के बनने के बाद, आप बायनेरिज़ बना सकते हैं या नए प्रतिनिधि के साथ चलने के लिए पूर्व-निर्मित का उपयोग कर सकते हैं, जब तक कि बाइनरी बाहरी_डेलेगेट_प्रोवाइडर लाइब्रेरी से जुड़ी हुई है जो यहां वर्णित कमांड-लाइन फ़्लैग का समर्थन करती है। नोट: यह बाहरी प्रतिनिधि प्रदाता पहले से ही मौजूदा परीक्षण और टूलिंग बायनेरिज़ से जुड़ा हुआ है।

इस बाहरी-प्रतिनिधि दृष्टिकोण के माध्यम से डमी प्रतिनिधि को बेंचमार्क करने के तरीके के उदाहरण के लिए यहां विवरण देखें। आप पहले बताए गए परीक्षण और मूल्यांकन टूल के लिए समान कमांड का उपयोग कर सकते हैं।

यह ध्यान देने योग्य है कि बाहरी प्रतिनिधि Tensorflow Lite Python बाइंडिंग में प्रतिनिधि का संबंधित C++ कार्यान्वयन है जैसा कि यहां दिखाया गया है। इसलिए, यहां बनाई गई गतिशील बाहरी प्रतिनिधि एडेप्टर लाइब्रेरी का उपयोग सीधे Tensorflow Lite Python APIs के साथ किया जा सकता है।

साधन

ओएस मेहराब BINARY_NAME
लिनक्स x86_64
बाजू
आर्क64
एंड्रॉयड बाजू
आर्क64