TensorFlow Lite 转换器

TensorFlow Lite 转换器可根据输入的 TensorFlow 模型生成 TensorFlow Lite 模型(一种优化的 FlatBuffer 格式,以 .tflite 为文件扩展名)。您可以通过以下两种方式使用此转换器:

  1. Python API推荐):它让您可以更轻松地在模型开发流水线中转换模型、应用优化、添加元数据,并且拥有更多功能。
  2. 命令行:它仅支持基本模型转换。

TFLite 转换器工作流程

Python API

辅助程序代码:若要确定已安装的 TensorFlow 版本,请运行 print(tf.__version__);若要详细了解 TensorFlow Lite converter API,请运行 print(help(tf.lite.TFLiteConverter))

如果您已安装 TensorFlow 2.x,会有以下两个选项:(如果您已安装 TensorFlow 1.x,请参阅 GitHub

以下示例演示了如何将 SavedModel 转换为 TensorFlow Lite 模型。

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)

转换 Keras 模型

以下示例演示了如何将 Keras 模型转换为 TensorFlow Lite 模型。

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)

转换具体函数

以下示例演示了如何将具体函数转换为 TensorFlow Lite 模型。

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.
# Notes that for the versions earlier than TensorFlow 2.7, the
# from_concrete_functions API is able to work when there is only the first
# argument given:
# > converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func])
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)

其他功能

  • 应用优化。一种常用的优化是训练后量化,它可以进一步缩短模型延迟时间和减小模型大小,同时最大限度降低准确率损失。

  • 添加元数据,从而在设备上部署模型时可以更轻松地创建平台专用封装容器代码。

转换错误

下面是常见的转换错误及其解决方案:

  • 错误:Some ops are not supported by the native TFLite runtime, you can enable TF kernels fallback using TF Select. See instructions: <a href="https://www.tensorflow.org/lite/guide/ops_select">https://www.tensorflow.org/lite/guide/ops_select</a> TF Select ops: ..., .., ...

    解决方案:之所以出现该错误,是因为模型包含缺少对应的 TFLite 实现的 TF 操作。若要解决该错误,您可以使用 TFLite 模型中的 TF 操作(推荐)。 如果您想生成一个仅包含 TFLite 操作的模型,您可以在 GitHub 问题 21526 中针对缺失的 TFLite 操作添加请求(如果未提及您的请求,请发表评论),也可以自行创建 TFLite 操作

  • 错误:.. is neither a custom op nor a flex op

    解决方案:如果该 TF 操作符合以下条件:

命令行工具

强烈建议您尽可能使用上文列出的 Python API

如果您已通过 pip 安装了 TensorFlow 2.x,请按下文所示使用 tflite_convert 命令:(如果您已从源代码安装了 TensorFlow 2.x,可以在接下来的几节中将“tflite_convert”替换为“bazel run //tensorflow/lite/python:tflite_convert --”;如果您已安装了 TensorFlow 1.x,请参阅 GitHub [参考文档示例])

tflite_convert - 若要查看所有可用标记,请使用以下命令:

$ 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.

转换 SavedModel

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

转换 Keras H5 模型

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

后续步骤

使用 TensorFlow Lite 解释器在客户端设备(例如移动设备、嵌入式设备)上运行推断。