एक कस्टम प्रतिनिधि को कार्यान्वित करना

TensorFlow लाइट प्रतिनिधि क्या है?

एक TensorFlow Lite प्रतिनिधि आपको अपने मॉडल (आंशिक या संपूर्ण) को किसी अन्य निष्पादक पर चलाने की अनुमति देता है। यह तंत्र अनुमान के लिए विभिन्न प्रकार के ऑन-डिवाइस एक्सेलेरेटर जैसे जीपीयू या एज टीपीयू (टेंसर प्रोसेसिंग यूनिट) का लाभ उठा सकता है। यह डेवलपर्स को अनुमान को तेज करने के लिए डिफ़ॉल्ट TFLite से एक लचीली और डिकूपल्ड विधि प्रदान करता है।

नीचे दिए गए आरेख में प्रतिनिधियों का सारांश दिया गया है, नीचे के अनुभागों में अधिक विवरण दिए गए हैं।

मुझे 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 भी मौजूदा प्रतिनिधि द्वारा समर्थित नहीं है।
• आपके पास एक कस्टम हार्डवेयर त्वरक है जो ज्ञात परिदृश्यों के लिए रनटाइम में सुधार करता है।
• आप सीपीयू अनुकूलन (जैसे ऑपरेटर फ़्यूज़िंग) विकसित कर रहे हैं जो कुछ मॉडलों को गति दे सकता है।

प्रतिनिधि कैसे काम करते हैं?

निम्नलिखित जैसे एक सरल मॉडल ग्राफ़ और एक प्रतिनिधि "MyDelegate" पर विचार करें जिसमें Conv2D और मीन संचालन के लिए तेज़ कार्यान्वयन है।

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

उपरोक्त ग्राफ़ तब प्राप्त होता है जब TensorFlow Lite 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 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, उसे मूल ग्राफ़ में एक प्रतिनिधि नोड (जिसे एक प्रतिनिधि कर्नेल भी कहा जा सकता है) द्वारा प्रतिस्थापित किया जाता है जो 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 वाले का अर्थ है कि कुछ ऑप्स प्रतिनिधि द्वारा समर्थित नहीं हैं। सामान्य तौर पर, आप नहीं चाहते कि प्रतिनिधि द्वारा कई विभाजनों को नियंत्रित किया जाए, क्योंकि हर बार जब आप प्रतिनिधि से मुख्य ग्राफ़ पर स्विच करते हैं, तो परिणाम को प्रत्यायोजित सबग्राफ से मुख्य ग्राफ़ में पास करने के लिए एक ओवरहेड होता है, जिसके परिणामस्वरूप मेमोरी होती है प्रतिलिपियाँ (उदाहरण के लिए, GPU से CPU)। इस तरह के ओवरहेड प्रदर्शन लाभ को कम कर सकते हैं, खासकर जब बड़ी मात्रा में मेमोरी प्रतियां हों।

अपना स्वयं का कस्टम प्रतिनिधि कार्यान्वित करना

किसी प्रतिनिधि को जोड़ने का पसंदीदा तरीका SimpleDelegate API का उपयोग करना है।

एक नया प्रतिनिधि बनाने के लिए, आपको 2 इंटरफ़ेस लागू करने होंगे और इंटरफ़ेस विधियों के लिए अपना स्वयं का कार्यान्वयन प्रदान करना होगा।

1 - SimpleDelegateInterface

यह वर्ग प्रतिनिधि की क्षमताओं का प्रतिनिधित्व करता है, कौन से संचालन समर्थित हैं, और एक कर्नेल बनाने के लिए फ़ैक्टरी वर्ग जो प्रतिनिधि ग्राफ़ को समाहित करता है। अधिक विवरण के लिए, इस C++ हेडर फ़ाइल में परिभाषित इंटरफ़ेस देखें। कोड में टिप्पणियाँ प्रत्येक एपीआई को विस्तार से समझाती हैं।

2 - SimpleDelegateKernelInterface

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

इसमें है: ( परिभाषा देखें)

• Init(...): जिसे किसी भी एक बार आरंभीकरण करने के लिए एक बार बुलाया जाएगा।
• तैयार करें(...): इस नोड के प्रत्येक अलग-अलग उदाहरण के लिए बुलाया जाता है - ऐसा तब होता है जब आपके पास एकाधिक प्रत्यायोजित विभाजन होते हैं। आमतौर पर आप यहां मेमोरी आवंटन करना चाहते हैं, क्योंकि हर बार टेंसर का आकार बदलने पर इसे कॉल किया 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 (ADD) और (SUB) 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_;
};

नए प्रतिनिधि को बेंचमार्क करें और उसका मूल्यांकन करें

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

• मॉडल बेंचमार्क टूल : टूल एक TFLite मॉडल लेता है, यादृच्छिक इनपुट उत्पन्न करता है, और फिर निर्दिष्ट संख्या में रन के लिए मॉडल को बार-बार चलाता है। यह अंत में एकत्रित विलंबता आँकड़े मुद्रित करता है।
• इंफ़रेंस डिफ टूल : किसी दिए गए मॉडल के लिए, टूल यादृच्छिक गॉसियन डेटा उत्पन्न करता है और इसे दो अलग-अलग टीएफलाइट दुभाषियों के माध्यम से पास करता है, एक सिंगल थ्रेडेड सीपीयू कर्नेल चलाता है और दूसरा उपयोगकर्ता-परिभाषित स्पेक 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 संबंधी समस्याओं को डीबग करने में भी सहायक हो सकता है।
• छवि वर्गीकरण और वस्तु पहचान के लिए कार्य विशिष्ट मूल्यांकन उपकरण भी हैं। ये उपकरण यहां पाए जा सकते हैं

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

नए प्रतिनिधि के लिए TFLite परीक्षण और टूलींग का पुन: उपयोग करने के लिए, आप निम्नलिखित दो विकल्पों में से किसी एक का उपयोग कर सकते हैं:

• प्रतिनिधि रजिस्ट्रार तंत्र का उपयोग करें।
• बाह्य प्रतिनिधि तंत्र का उपयोग करें.

सबसे अच्छा तरीका चुनना

दोनों दृष्टिकोणों में कुछ बदलावों की आवश्यकता है जैसा कि नीचे बताया गया है। हालाँकि, 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 को एक साझा लाइब्रेरी के रूप में बनाता है और आपको साझा लाइब्रेरी 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 स्वचालित एकीकरण परीक्षणों में इसे स्थापित करना अधिक जटिल हो सकता है। बेहतर स्पष्टता के लिए प्रतिनिधि रजिस्ट्रार दृष्टिकोण का उपयोग करें।

विकल्प 1: प्रतिनिधि रजिस्ट्रार का लाभ उठाएं

प्रतिनिधि रजिस्ट्रार प्रतिनिधि प्रदाताओं की एक सूची रखता है, जिनमें से प्रत्येक कमांड-लाइन झंडे के आधार पर टीएफलाइट प्रतिनिधि बनाने का एक आसान तरीका प्रदान करता है, और इसलिए, टूलींग के लिए सुविधाजनक है। ऊपर बताए गए सभी Tensorflow Lite टूल में नए प्रतिनिधि को प्लग इन करने के लिए, आप पहले इस तरह 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 API को लागू करता है, और इस 'डमी' प्रतिनिधि को बनाने/हटाने के लिए बाहरी "C" API को नीचे दिखाए गए अनुसार लागू करता 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 अनुमान टूल के साथ "डमीडिलीगेट" को एकीकृत करने के लिए, नीचे दिए गए एक डेलीगेटप्रोवाइडर 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*) {});
}

BUILD नियम परिभाषाएँ महत्वपूर्ण हैं क्योंकि आपको यह सुनिश्चित करने की ज़रूरत है कि लाइब्रेरी हमेशा जुड़ी हुई है और ऑप्टिमाइज़र द्वारा हटाई नहीं गई 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 इंफ़रेंस टूल और अन्य मूल्यांकन टूल का एक संस्करण बनाने के लिए इन दो रैपर नियमों को अपनी BUILD फ़ाइल में जोड़ें, जो आपके अपने प्रतिनिधि के साथ चल सके।

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",
    ],
)

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

विकल्प 2: बाहरी प्रतिनिधि का लाभ उठाएं

इस विकल्प में, आप पहले एक बाहरी प्रतिनिधि एडाप्टर external_delegate_adaptor.cc बनाएं जैसा कि नीचे दिखाया गया है। ध्यान दें, जैसा कि ऊपर बताया गया है , विकल्प 1 की तुलना में यह दृष्टिकोण 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 एक गतिशील लाइब्रेरी बनाने के लिए संबंधित बिल्ड लक्ष्य 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 बाइनरी बना सकते हैं या नए प्रतिनिधि के साथ चलने के लिए पूर्व-निर्मित का उपयोग कर सकते हैं, जब तक कि बाइनरी external_delegate_provider लाइब्रेरी से जुड़ा हुआ है जो यहां बताए अनुसार कमांड-लाइन फ़्लैग का समर्थन करता है। ध्यान दें: यह बाहरी प्रतिनिधि प्रदाता पहले से ही मौजूदा परीक्षण और टूलींग बायनेरिज़ से जुड़ा हुआ है।

इस बाहरी-प्रतिनिधि दृष्टिकोण के माध्यम से डमी प्रतिनिधि को कैसे बेंचमार्क किया जाए, इसके 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 टेन्सरफ़्लो लाइट पायथन बाइंडिंग में प्रतिनिधि का संबंधित C++ कार्यान्वयन है जैसा कि यहां दिखाया गया है। इसलिए, यहां बनाई गई डायनामिक एक्सटर्नल डेलीगेट एडाप्टर लाइब्रेरी का उपयोग सीधे टेन्सरफ्लो लाइट पायथन एपीआई के साथ किया जा सकता है।

संसाधन

रात्रिकालीन पूर्व-निर्मित टीएफलाइट टूलिंग बायनेरिज़ के लिए डाउनलोड लिंक