Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Konwerter TensorFlow Lite

Konwerter TensorFlow Lite przyjmuje model TensorFlow i generuje model TensorFlow Lite (zoptymalizowany format FlatBuffer identyfikowany przez rozszerzenie pliku .tflite ). Masz dwie możliwości korzystania z konwertera:

  1. Python API ( zalecane ): Ułatwia to konwertowanie modeli w ramach potoku tworzenia modeli, stosowanie optymalizacji, dodawanie metadanych i ma wiele innych funkcji.
  2. Wiersz poleceń : obsługuje tylko podstawową konwersję modelu.

Przepływ pracy konwertera TFLite

Python API

Kod pomocniczy: Aby zidentyfikować zainstalowaną wersję TensorFlow, uruchom print(tf.__version__) i aby dowiedzieć się więcej o API konwertera TensorFlow Lite, uruchom print(help(tf.lite.TFLiteConverter)) .

Jeśli zainstalowałeś TensorFlow 2.x , masz dwie możliwości: ( jeśli zainstalowałeś TensorFlow 1.x , zajrzyj na Github )

Poniższy przykład pokazuje, jak przekonwertować SavedModel na model 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)

Konwertuj model Keras

Poniższy przykład pokazuje, jak przekonwertować model Keras na model 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)

Konwertuj konkretne funkcje

Poniższy przykład pokazuje, jak konwertować konkretne funkcje na model TensorFlow Lite.

import tensorflow as tf

# Create a model using low-level tf.* APIs
class Squared(tf.Module):
  @tf.function
  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])
tflite_model = converter.convert()

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

Inne funkcje

  • Zastosuj optymalizacje . Powszechnie stosowaną optymalizacją jest kwantyzacja potreningowa , która może dodatkowo zmniejszyć opóźnienie i rozmiar modelu przy minimalnej utracie dokładności.

  • Obsługuj nieobsługiwane operacje. Jeśli model ma operatory, masz następujące opcje:

    1. Obsługiwane w TensorFlow, ale nieobsługiwane w TensorFlow Lite: Jeśli masz ograniczenia rozmiaru, musisz utworzyć operator TensorFlow Lite , w przeciwnym razie po prostu użyj operatorów TensorFlow w modelu TensorFlow Lite.

    2. Nieobsługiwane w TensorFlow: należy utworzyć operator TensorFlow, a następnie utworzyć operator TensorFlow Lite . Jeśli nie udało Ci się utworzyć operatora TensorFlow lub nie chcesz go tworzyć ( niezalecane, postępuj ostrożnie ), nadal możesz dokonać konwersji za pomocą metody register_custom_opdefs , a następnie bezpośrednio utworzyć operator TensorFlow Lite . Metoda register_custom_opdefs przyjmuje listę ciągów znaków zawierających OpDef (s). Poniżej znajduje się przykład TFLiteAwesomeCustomOp z 1 wejściem, 1 wyjściem i 2 atrybutami:

  import tensorflow as tf

  custom_opdef = """name: 'TFLiteAwesomeCustomOp' input_arg:
  { name: 'In' type: DT_FLOAT } output_arg: { name: 'Out' type: DT_FLOAT }
  attr : { name: 'a1' type: 'float'} attr : { name: 'a2' type: 'list(float)'}"""

  # Register custom opdefs before the invocation of converter API.
  tf.lite.python.convert.register_custom_opdefs([custom_opdef])

  converter = tf.lite.TFLiteConverter.from_saved_model(...)
  converter.allow_custom_ops = True

Narzędzie wiersza poleceń

Jeśli to możliwe, zdecydowanie zaleca się używanie wymienionego powyżej interfejsu API języka Python .

Jeśli zainstalowałeś TensorFlow 2.x z pip , użyj polecenia tflite_convert w następujący sposób: ( jeśli zainstalowałeś TensorFlow 2.x ze źródła , możesz zamienić ' tflite_convert ' na ' bazel run //tensorflow/lite/python:tflite_convert -- 'w kolejnych sekcjach, a jeśli zainstalowałeś TensorFlow 1.x, zapoznaj się z Github ( odniesienia , przykłady ))

tflite_convert : Aby wyświetlić wszystkie dostępne flagi, użyj następującego polecenia:

$ 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.

Konwersja SavedModel

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

Konwersja modelu Keras H5

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

Następne kroki

  • Dodaj metadane , co ułatwia tworzenie kodu opakowania specyficznego dla platformy podczas wdrażania modeli na urządzeniach.
  • Użyj interpretera TensorFlow Lite, aby uruchomić wnioskowanie na urządzeniu klienckim (np. Mobilnym , osadzonym).