Visão geral
Ao implantar modelos para aplicativos de aprendizado de máquina no dispositivo (ODML), é importante estar ciente da memória limitada disponível em dispositivos móveis. Os tamanhos binários do modelo estão intimamente relacionados ao número de operações usadas no modelo. O TensorFlow Lite permite reduzir os tamanhos binários do modelo usando compilações seletivas. Compilações seletivas ignoram operações não utilizadas em seu conjunto de modelos e produzem uma biblioteca compacta com apenas o tempo de execução e os kernels operacionais necessários para que o modelo seja executado em seu dispositivo móvel.
A construção seletiva se aplica às três bibliotecas de operações a seguir.
- Biblioteca de operações integrada do TensorFlow Lite
- Operações personalizadas do TensorFlow Lite
- Selecione a biblioteca de operações do TensorFlow
A tabela abaixo demonstra o impacto de compilações seletivas para alguns casos de uso comuns:
Nome do modelo | Domínio | Arquitetura alvo | Tamanho(s) de arquivo AAR |
---|---|---|---|
Mobilenet_1.0_224(float) | Classificação de imagem | armeabi-v7a | tensorflow-lite.aar (296.635 bytes) |
arm64-v8a | tensorflow-lite.aar (382.892 bytes) | ||
ESPECIARIA | Extração de tom de som | armeabi-v7a | tensorflow-lite.aar (375.813 bytes) tensorflow-lite-select-tf-ops.aar (1.676.380 bytes) |
arm64-v8a | tensorflow-lite.aar (421.826 bytes) tensorflow-lite-select-tf-ops.aar (2.298.630 bytes) | ||
i3d-kinetics-400 | Classificação de vídeo | armeabi-v7a | tensorflow-lite.aar (240.085 bytes) tensorflow-lite-select-tf-ops.aar (1.708.597 bytes) |
arm64-v8a | tensorflow-lite.aar (273.713 bytes) tensorflow-lite-select-tf-ops.aar (2.339.697 bytes) |
Crie seletivamente o TensorFlow Lite com o Bazel
Esta seção pressupõe que você baixou os códigos-fonte do TensorFlow e configurou o ambiente de desenvolvimento local para Bazel.
Crie arquivos AAR para o projeto Android
Você pode criar os AARs personalizados do TensorFlow Lite fornecendo seus caminhos de arquivo de modelo da seguinte maneira.
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
O comando acima gerará o arquivo AAR bazel-bin/tmp/tensorflow-lite.aar
para operações integradas e personalizadas do TensorFlow Lite; e, opcionalmente, gera o arquivo aar bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar
se seus modelos contiverem Select TensorFlow ops. Observe que isso cria um AAR "gordo" com várias arquiteturas diferentes; se você não precisar de todos eles, use o subconjunto apropriado para seu ambiente de implementação.
Crie com operações personalizadas
Se você desenvolveu modelos do Tensorflow Lite com operações personalizadas, pode criá-los adicionando os seguintes sinalizadores ao comando build:
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 \
--tflite_custom_ops_srcs=/e/f/file1.cc,/g/h/file2.h \
--tflite_custom_ops_deps=dep1,dep2
O sinalizador tflite_custom_ops_srcs
contém arquivos de origem de suas operações personalizadas e o sinalizador tflite_custom_ops_deps
contém dependências para criar esses arquivos de origem. Observe que essas dependências devem existir no repositório do TensorFlow.
Usos avançados: regras Bazel personalizadas
Se o seu projeto estiver usando o Bazel e você quiser definir dependências personalizadas do TFLite para um determinado conjunto de modelos, defina as seguintes regras no repositório do seu projeto:
Apenas para os modelos com operações integradas:
load(
"@org_tensorflow//tensorflow/lite:build_def.bzl",
"tflite_custom_android_library",
"tflite_custom_c_library",
"tflite_custom_cc_library",
)
# A selectively built TFLite Android library.
tflite_custom_android_library(
name = "selectively_built_android_lib",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
# A selectively built TFLite C library.
tflite_custom_c_library(
name = "selectively_built_c_lib",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
# A selectively built TFLite C++ library.
tflite_custom_cc_library(
name = "selectively_built_cc_lib",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
Para os modelos com as operações Select TF :
load(
"@org_tensorflow//tensorflow/lite/delegates/flex:build_def.bzl",
"tflite_flex_android_library",
"tflite_flex_cc_library",
)
# A Select TF ops enabled selectively built TFLite Android library.
tflite_flex_android_library(
name = "selective_built_tflite_flex_android_lib",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
# A Select TF ops enabled selectively built TFLite C++ library.
tflite_flex_cc_library(
name = "selective_built_tflite_flex_cc_lib",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
Usos avançados: crie bibliotecas compartilhadas C/C++ personalizadas
Se você deseja criar seus próprios objetos compartilhados TFLite C/C++ personalizados para os modelos fornecidos, siga as etapas abaixo:
Crie um arquivo BUILD temporário executando o seguinte comando no diretório raiz do código-fonte do TensorFlow:
mkdir -p tmp && touch tmp/BUILD
Construindo objetos compartilhados C personalizados
Se você gostaria de construir um objeto compartilhado TFLite C personalizado, adicione o seguinte ao arquivo tmp/BUILD
:
load(
"//tensorflow/lite:build_def.bzl",
"tflite_custom_c_library",
"tflite_cc_shared_object",
)
tflite_custom_c_library(
name = "selectively_built_c_lib",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
# Generates a platform-specific shared library containing the TensorFlow Lite C
# API implementation as define in `c_api.h`. The exact output library name
# is platform dependent:
# - Linux/Android: `libtensorflowlite_c.so`
# - Mac: `libtensorflowlite_c.dylib`
# - Windows: `tensorflowlite_c.dll`
tflite_cc_shared_object(
name = "tensorflowlite_c",
linkopts = select({
"//tensorflow:ios": [
"-Wl,-exported_symbols_list,$(location //tensorflow/lite/c:exported_symbols.lds)",
],
"//tensorflow:macos": [
"-Wl,-exported_symbols_list,$(location //tensorflow/lite/c:exported_symbols.lds)",
],
"//tensorflow:windows": [],
"//conditions:default": [
"-z defs",
"-Wl,--version-script,$(location //tensorflow/lite/c:version_script.lds)",
],
}),
per_os_targets = True,
deps = [
":selectively_built_c_lib",
"//tensorflow/lite/c:exported_symbols.lds",
"//tensorflow/lite/c:version_script.lds",
],
)
O destino recém-adicionado pode ser construído da seguinte forma:
bazel build -c opt --cxxopt=--std=c++17 \
//tmp:tensorflowlite_c
e para Android (substitua android_arm
por android_arm64
para 64 bits):
bazel build -c opt --cxxopt=--std=c++17 --config=android_arm \
//tmp:tensorflowlite_c
Construindo objetos compartilhados C++ personalizados
Se você quiser criar um objeto compartilhado TFLite C++ personalizado, adicione o seguinte ao arquivo tmp/BUILD
:
load(
"//tensorflow/lite:build_def.bzl",
"tflite_custom_cc_library",
"tflite_cc_shared_object",
)
tflite_custom_cc_library(
name = "selectively_built_cc_lib",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
# Shared lib target for convenience, pulls in the core runtime and builtin ops.
# Note: This target is not yet finalized, and the exact set of exported (C/C++)
# APIs is subject to change. The output library name is platform dependent:
# - Linux/Android: `libtensorflowlite.so`
# - Mac: `libtensorflowlite.dylib`
# - Windows: `tensorflowlite.dll`
tflite_cc_shared_object(
name = "tensorflowlite",
# Until we have more granular symbol export for the C++ API on Windows,
# export all symbols.
features = ["windows_export_all_symbols"],
linkopts = select({
"//tensorflow:macos": [
"-Wl,-exported_symbols_list,$(location //tensorflow/lite:tflite_exported_symbols.lds)",
],
"//tensorflow:windows": [],
"//conditions:default": [
"-Wl,-z,defs",
"-Wl,--version-script,$(location //tensorflow/lite:tflite_version_script.lds)",
],
}),
per_os_targets = True,
deps = [
":selectively_built_cc_lib",
"//tensorflow/lite:tflite_exported_symbols.lds",
"//tensorflow/lite:tflite_version_script.lds",
],
)
O destino recém-adicionado pode ser construído da seguinte forma:
bazel build -c opt --cxxopt=--std=c++17 \
//tmp:tensorflowlite
e para Android (substitua android_arm
por android_arm64
para 64 bits):
bazel build -c opt --cxxopt=--std=c++17 --config=android_arm \
//tmp:tensorflowlite
Para os modelos com as operações Select TF, você também precisa criar a seguinte biblioteca compartilhada:
load(
"@org_tensorflow//tensorflow/lite/delegates/flex:build_def.bzl",
"tflite_flex_shared_library"
)
# Shared lib target for convenience, pulls in the standard set of TensorFlow
# ops and kernels. The output library name is platform dependent:
# - Linux/Android: `libtensorflowlite_flex.so`
# - Mac: `libtensorflowlite_flex.dylib`
# - Windows: `libtensorflowlite_flex.dll`
tflite_flex_shared_library(
name = "tensorflowlite_flex",
models = [
":model_one.tflite",
":model_two.tflite",
],
)
O destino recém-adicionado pode ser construído da seguinte forma:
bazel build -c opt --cxxopt='--std=c++17' \
--config=monolithic \
--host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
//tmp:tensorflowlite_flex
e para Android (substitua android_arm
por android_arm64
para 64 bits):
bazel build -c opt --cxxopt='--std=c++17' \
--config=android_arm \
--config=monolithic \
--host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
//tmp:tensorflowlite_flex
Crie seletivamente o TensorFlow Lite com o Docker
Esta seção pressupõe que você instalou o Docker em sua máquina local e baixou o TensorFlow Lite Dockerfile aqui .
Depois de baixar o Dockerfile acima, você pode criar a imagem do docker executando:
docker build . -t tflite-builder -f tflite-android.Dockerfile
Crie arquivos AAR para o projeto Android
Baixe o script para construir com o Docker executando:
curl -o build_aar_with_docker.sh \
https://raw.githubusercontent.com/tensorflow/tensorflow/master/tensorflow/lite/tools/build_aar_with_docker.sh &&
chmod +x build_aar_with_docker.sh
Em seguida, você pode criar o TensorFlow Lite AAR personalizado fornecendo os caminhos de arquivo do modelo da seguinte maneira.
sh build_aar_with_docker.sh \
--input_models=/a/b/model_one.tflite,/c/d/model_two.tflite \
--target_archs=x86,x86_64,arm64-v8a,armeabi-v7a \
--checkpoint=master \
[--cache_dir=<path to cache directory>]
O sinalizador de checkpoint
de verificação é um commit, um branch ou uma tag do repositório TensorFlow que você deseja verificar antes de criar as bibliotecas; por padrão, é a ramificação de lançamento mais recente. O comando acima gerará o arquivo AAR tensorflow-lite.aar
para operações integradas e personalizadas do TensorFlow Lite e, opcionalmente, o arquivo AAR tensorflow-lite-select-tf-ops.aar
para operações selecionadas do TensorFlow em seu diretório atual.
O --cache_dir especifica o diretório de cache. Se não for fornecido, o script criará um diretório chamado bazel-build-cache
no diretório de trabalho atual para armazenamento em cache.
Adicionar arquivos AAR ao projeto
Adicione arquivos AAR importando diretamente o AAR para seu projeto ou publicando o AAR personalizado em seu repositório Maven local . Observe que você também precisa adicionar os arquivos AAR para tensorflow-lite-select-tf-ops.aar
se gerá-lo.
Construção seletiva para iOS
Consulte a seção Construir localmente para configurar o ambiente de compilação e configurar o espaço de trabalho do TensorFlow e, em seguida, siga o guia para usar o script de compilação seletiva para iOS.