12월 7일 Women in ML 심포지엄 참석 지금 등록

TensorFlow 연산자 선택

TensorFlow Lite 내장 연산자 라이브러리는 제한된 수의 TensorFlow 연산자만 지원하므로 모든 모델을 변환할 수 있는 것은 아닙니다. 자세한 내용은 운영자 호환성 을 참조하십시오.

변환을 허용하기 위해 사용자는 TensorFlow Lite 모델에서 특정 TensorFlow 작업 의 사용을 활성화할 수 있습니다. 그러나 TensorFlow 작업으로 TensorFlow Lite 모델을 실행하려면 핵심 TensorFlow 런타임을 가져와야 하므로 TensorFlow Lite 인터프리터 바이너리 크기가 증가합니다. Android의 경우 필요한 Tensorflow 작업만 선택적으로 빌드하여 이를 방지할 수 있습니다. 자세한 내용은 바이너리 크기 줄이기 를 참조하십시오.

이 문서는 선택한 플랫폼에서 TensorFlow 작업이 포함된 TensorFlow Lite 모델을 변환 하고 실행 하는 방법을 간략하게 설명합니다. 또한 성능 및 크기 메트릭알려진 제한 사항 에 대해서도 설명합니다.

모델 변환

다음 예시는 선택된 TensorFlow 작업으로 TensorFlow Lite 모델을 생성하는 방법을 보여줍니다.

import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir)
converter.target_spec.supported_ops = [
  tf.lite.OpsSet.TFLITE_BUILTINS, # enable TensorFlow Lite ops.
  tf.lite.OpsSet.SELECT_TF_OPS # enable TensorFlow ops.
]
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)

추론 실행

일부 TensorFlow 작업을 지원하여 변환된 TensorFlow Lite 모델을 사용할 때 클라이언트는 TensorFlow 작업의 필수 라이브러리가 포함된 TensorFlow Lite 런타임도 사용해야 합니다.

안드로이드 AAR

바이너리 크기를 줄이려면 다음 섹션 의 안내에 따라 사용자 지정 AAR 파일을 빌드하세요. 바이너리 크기가 큰 문제가 아니라면 MavenCentral에서 호스팅되는 TensorFlow 작업과 함께 사전 빌드된 AAR을 사용하는 것이 좋습니다.

다음과 같이 표준 TensorFlow Lite AAR과 함께 추가하여 build.gradle 종속성에 이를 지정할 수 있습니다.

dependencies {
    implementation 'org.tensorflow:tensorflow-lite:0.0.0-nightly-SNAPSHOT'
    // This dependency adds the necessary TF op support.
    implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:0.0.0-nightly-SNAPSHOT'
}

야간 스냅샷을 사용하려면 Sonatype 스냅샷 저장소 를 추가했는지 확인하십시오.

종속성을 추가한 후에는 그래프의 TensorFlow 작업을 처리하는 데 필요한 대리자가 필요한 그래프에 대해 자동으로 설치되어야 합니다.

android {
    defaultConfig {
        ndk {
            abiFilters 'armeabi-v7a', 'arm64-v8a'
        }
    }
}

Android AAR 빌드

바이너리 크기 또는 기타 고급 사례를 줄이기 위해 라이브러리를 수동으로 빌드할 수도 있습니다. 작동하는 TensorFlow Lite 빌드 환경 을 가정하고 다음과 같이 선택된 TensorFlow 작업으로 Android AAR을 빌드합니다.

sh tensorflow/lite/tools/build_aar.sh \
  --input_models=/a/b/model_one.tflite,/c/d/model_two.tflite \
  --target_archs=x86,x86_64,arm64-v8a,armeabi-v7a

그러면 TensorFlow Lite 내장 및 사용자 지정 작업에 대한 AAR 파일 bazel-bin/tmp/tensorflow-lite.aar 가 생성됩니다. TensorFlow 작업에 대한 AAR 파일 bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar 를 생성합니다. 작동하는 빌드 환경이 없는 경우 docker 를 사용하여 위의 파일을 빌드 할 수도 있습니다.

여기에서 AAR 파일을 프로젝트로 직접 가져오거나 사용자 지정 AAR 파일을 로컬 Maven 저장소에 게시할 수 있습니다.

mvn install:install-file \
  -Dfile=bazel-bin/tmp/tensorflow-lite.aar \
  -DgroupId=org.tensorflow \
  -DartifactId=tensorflow-lite -Dversion=0.1.100 -Dpackaging=aar
mvn install:install-file \
  -Dfile=bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar \
  -DgroupId=org.tensorflow \
  -DartifactId=tensorflow-lite-select-tf-ops -Dversion=0.1.100 -Dpackaging=aar

마지막으로 앱의 build.gradle 에서 mavenLocal() 종속성이 있는지 확인하고 표준 TensorFlow Lite 종속성을 선택한 TensorFlow 작업을 지원하는 종속성으로 교체합니다.

allprojects {
    repositories {
        mavenCentral()
        maven {  // Only for snapshot artifacts
            name 'ossrh-snapshot'
            url 'https://oss.sonatype.org/content/repositories/snapshots'
        }
        mavenLocal()
    }
}

dependencies {
    implementation 'org.tensorflow:tensorflow-lite:0.1.100'
    implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:0.1.100'
}

iOS

CocoaPod 사용

TensorFlow Lite는 야간 사전 구축된 arm64용 선택 TF ops arm64 를 제공하며, TensorFlowLiteSwift 또는 TensorFlowLiteObjC CocoaPods와 함께 사용할 수 있습니다.

# In your Podfile target:
  pod 'TensorFlowLiteSwift'   # or 'TensorFlowLiteObjC'
  pod 'TensorFlowLiteSelectTfOps', '~> 0.0.1-nightly'

pod install 을 실행한 후 선택 TF ops 프레임워크를 프로젝트에 강제로 로드하려면 추가 링커 플래그를 제공해야 합니다. Xcode 프로젝트에서 Build Settings -> Other Linker Flags 로 이동하여 다음을 추가합니다.

버전 >= 2.9.0의 경우:

-force_load $(SRCROOT)/Pods/TensorFlowLiteSelectTfOps/Frameworks/TensorFlowLiteSelectTfOps.xcframework/ios-arm64/TensorFlowLiteSelectTfOps.framework/TensorFlowLiteSelectTfOps

버전 < 2.9.0의 경우:

-force_load $(SRCROOT)/Pods/TensorFlowLiteSelectTfOps/Frameworks/TensorFlowLiteSelectTfOps.framework/TensorFlowLiteSelectTfOps

그러면 iOS 앱에서 SELECT_TF_OPS 로 변환된 모든 모델을 실행할 수 있습니다. 예를 들어 이미지 분류 iOS 앱 을 수정하여 TF 작전 선택 기능을 테스트할 수 있습니다.

  • 모델 파일을 SELECT_TF_OPS 가 활성화된 변환된 파일로 교체합니다.
  • 지침에 따라 TensorFlowLiteSelectTfOps 종속성을 Podfile 에 추가합니다.
  • 위와 같이 추가 링커 플래그를 추가합니다.
  • 예제 앱을 실행하고 모델이 올바르게 작동하는지 확인하십시오.

Bazel + Xcode 사용

iOS용 일부 TensorFlow 작업이 포함된 TensorFlow Lite는 Bazel을 사용하여 빌드할 수 있습니다. 먼저 iOS 빌드 지침 에 따라 Bazel 작업 공간과 .bazelrc 파일을 올바르게 구성합니다.

iOS 지원이 활성화된 작업 공간을 구성했으면 다음 명령을 사용하여 일반 TensorFlowLiteC.framework 위에 추가할 수 있는 TF ops 애드온 선택 프레임워크를 빌드할 수 있습니다. Select TF ops 프레임워크는 i386 아키텍처용으로 구축할 수 없으므로 i386 을 제외한 대상 아키텍처 목록을 명시적으로 제공해야 합니다.

bazel build -c opt --config=ios --ios_multi_cpus=arm64,x86_64 \
  //tensorflow/lite/ios:TensorFlowLiteSelectTfOps_framework

이렇게 하면 bazel-bin/tensorflow/lite/ios/ 디렉토리 아래에 프레임워크가 생성됩니다. iOS 빌드 가이드의 Xcode 프로젝트 설정 섹션에 설명된 유사한 단계에 따라 이 새 프레임워크를 Xcode 프로젝트에 추가할 수 있습니다.

프레임워크를 앱 프로젝트에 추가한 후 앱 프로젝트에 추가 링커 플래그를 지정하여 TF 작업 프레임워크 선택을 강제로 로드해야 합니다. Xcode 프로젝트에서 Build Settings -> Other Linker Flags 로 이동하여 다음을 추가합니다.

-force_load <path/to/your/TensorFlowLiteSelectTfOps.framework/TensorFlowLiteSelectTfOps>

C/C++

Bazel 또는 CMake 를 사용하여 TensorFlow Lite 인터프리터를 빌드하는 경우 TensorFlow Lite Flex 대리자 공유 라이브러리를 연결하여 Flex 대리자를 활성화할 수 있습니다. 다음 명령어로 Bazel로 빌드할 수 있습니다.

bazel build -c opt --config=monolithic tensorflow/lite/delegates/flex:tensorflowlite_flex

이 명령은 bazel-bin/tensorflow/lite/delegates/flex 에 다음 공유 라이브러리를 생성합니다.

플랫폼 라이브러리 이름
리눅스 libtensorflowlite_flex.so
맥 OS libtensorflowlite_flex.dylib
tensorflowlite_flex.dll

공유 라이브러리가 링크되어 있는 한 런타임에 인터프리터를 생성할 때 필요한 TfLiteDelegate 가 자동으로 설치됩니다. 일반적으로 다른 대리자 형식에 필요한 것처럼 대리자 인스턴스를 명시적으로 설치할 필요는 없습니다.

파이썬

선택된 TensorFlow 작업이 있는 TensorFlow Lite는 TensorFlow pip 패키지 와 함께 자동으로 설치됩니다. TensorFlow Lite Interpreter pip 패키지 만 설치하도록 선택할 수도 있습니다.

측정항목

성능

내장 및 선택 TensorFlow 작업을 혼합하여 사용하는 경우 동일한 TensorFlow Lite 최적화 및 최적화된 내장 작업을 모두 변환된 모델에서 사용할 수 있습니다.

다음 표는 Pixel 2의 MobileNet에서 추론을 실행하는 데 걸린 평균 시간을 설명합니다. 나열된 시간은 평균 100회 실행입니다. 이러한 대상은 --config=android_arm64 -c opt 플래그를 사용하여 Android용으로 빌드되었습니다.

짓다 시간(밀리초)
내장 연산만( TFLITE_BUILTIN ) 260.7
TF 작업만 사용( SELECT_TF_OPS ) 264.5

바이너리 크기

다음 표는 각 빌드에 대한 TensorFlow Lite의 바이너리 크기를 설명합니다. 이러한 대상은 --config=android_arm -c opt 를 사용하여 Android용으로 빌드되었습니다.

짓다 C++ 이진 크기 안드로이드 APK 크기
내장 연산만 796KB 561KB
내장 작전 + TF 작전 23.0MB 8.0MB
내장 작전 + TF 작전 (1) 4.1MB 1.8MB

(1) 이 라이브러리는 8개의 TFLite 내장 연산과 3개의 Tensorflow 연산이 있는 i3d-kinetics-400 모델 용으로 선택적으로 구축되었습니다. 자세한 내용은 TensorFlow Lite 바이너리 크기 줄이기 섹션을 참조하세요.

알려진 제한 사항

  • 지원되지 않는 유형: 특정 TensorFlow 작업은 일반적으로 TensorFlow에서 사용할 수 있는 전체 입력/출력 유형 세트를 지원하지 않을 수 있습니다.

업데이트

  • 버전 2.6
    • GraphDef 속성 기반 연산자 및 HashTable 리소스 초기화에 대한 지원이 향상되었습니다.
  • 버전 2.5
  • 버전 2.4
    • 하드웨어 가속 대리자와의 호환성이 향상되었습니다.