Se usó la API de Cloud Translation para traducir esta página.

Cree su propia API de tareas

La biblioteca de tareas de TensorFlow Lite proporciona API nativas/Android/iOS preconstruidas además de la misma infraestructura que abstrae TensorFlow. Puede ampliar la infraestructura de API de tareas para crear API personalizadas si su modelo no es compatible con las bibliotecas de tareas existentes.

Visión general

La infraestructura de la API de tareas tiene una estructura de dos capas: la capa inferior de C++ que encapsula el tiempo de ejecución nativo de TFLite y la capa superior de Java/ObjC que se comunica con la capa de C++ a través de JNI o contenedor nativo.

La implementación de toda la lógica de TensorFlow solo en C++ minimiza el costo, maximiza el rendimiento de la inferencia y simplifica el flujo de trabajo general en todas las plataformas.

Para crear una clase de tarea, extienda BaseTaskApi para proporcionar una lógica de conversión entre la interfaz del modelo TFLite y la interfaz de la API de tareas, luego use las utilidades Java/ObjC para crear las API correspondientes. Con todos los detalles de TensorFlow ocultos, puede implementar el modelo TFLite en sus aplicaciones sin ningún conocimiento de aprendizaje automático.

TensorFlow Lite proporciona algunas API prediseñadas para las tareas más populares de Vision y NLP . Puede crear sus propias API para otras tareas mediante la infraestructura de la API de tareas.

Figura 1. API de tareas prediseñadas

Cree su propia API con Task API infra

API de C++

Todos los detalles de TFLite se implementan en la API nativa. Cree un objeto API utilizando una de las funciones de fábrica y obtenga resultados del modelo llamando a las funciones definidas en la interfaz.

Ejemplo de uso

Aquí hay un ejemplo usando C++ BertQuestionAnswerer para MobileBert .

  char kBertModelPath[] = "path/to/model.tflite";
  // Create the API from a model file
  std::unique_ptr<BertQuestionAnswerer> question_answerer =
      BertQuestionAnswerer::CreateFromFile(kBertModelPath);

  char kContext[] = ...; // context of a question to be answered
  char kQuestion[] = ...; // question to be answered
  // ask a question
  std::vector<QaAnswer> answers = question_answerer.Answer(kContext, kQuestion);
  // answers[0].text is the best answer

Construyendo la API

Figura 2. API de tareas nativas

Para crear un objeto API, debe proporcionar la siguiente información mediante la ampliación de BaseTaskApi

Determine la E/S de API: su API debe exponer entradas/salidas similares en diferentes plataformas. Por ejemplo, BertQuestionAnswerer toma dos cadenas (std::string& context, std::string& question) como entrada y genera un vector de posible respuesta y probabilidades como std::vector<QaAnswer> . Esto se hace especificando los tipos correspondientes en el parámetro de plantilla de BaseTaskApi . Con los parámetros de plantilla especificados, la función BaseTaskApi::Infer tendrá los tipos de entrada/salida correctos. Los clientes API pueden llamar directamente a esta función, pero es una buena práctica incluirla dentro de una función específica del modelo, en este caso, BertQuestionAnswerer::Answer .
```
class BertQuestionAnswerer : public BaseTaskApi<
                              std::vector<QaAnswer>, // OutputType
                              const std::string&, const std::string& // InputTypes
                              > {
  // Model specific function delegating calls to BaseTaskApi::Infer
  std::vector<QaAnswer> Answer(const std::string& context, const std::string& question) {
    return Infer(context, question).value();
  }
}
```

Proporcione una lógica de conversión entre la E/S de la API y el tensor de entrada/salida del modelo : con los tipos de entrada y salida especificados, las subclases también deben implementar las funciones con tipo BaseTaskApi::Preprocess y BaseTaskApi::Postprocess . Las dos funciones proporcionan entradas y salidas del TFLite FlatBuffer . La subclase es responsable de asignar valores de la E/S API a los tensores de E/S. Vea el ejemplo de implementación completo en BertQuestionAnswerer .

class BertQuestionAnswerer : public BaseTaskApi<
                              std::vector<QaAnswer>, // OutputType
                              const std::string&, const std::string& // InputTypes
                              > {
  // Convert API input into tensors
  absl::Status BertQuestionAnswerer::Preprocess(
    const std::vector<TfLiteTensor*>& input_tensors, // input tensors of the model
    const std::string& context, const std::string& query // InputType of the API
  ) {
    // Perform tokenization on input strings
    ...
    // Populate IDs, Masks and SegmentIDs to corresponding input tensors
    PopulateTensor(input_ids, input_tensors[0]);
    PopulateTensor(input_mask, input_tensors[1]);
    PopulateTensor(segment_ids, input_tensors[2]);
    return absl::OkStatus();
  }

  // Convert output tensors into API output
  StatusOr<std::vector<QaAnswer>> // OutputType
  BertQuestionAnswerer::Postprocess(
    const std::vector<const TfLiteTensor*>& output_tensors, // output tensors of the model
  ) {
    // Get start/end logits of prediction result from output tensors
    std::vector<float> end_logits;
    std::vector<float> start_logits;
    // output_tensors[0]: end_logits FLOAT[1, 384]
    PopulateVector(output_tensors[0], &end_logits);
    // output_tensors[1]: start_logits FLOAT[1, 384]
    PopulateVector(output_tensors[1], &start_logits);
    ...
    std::vector<QaAnswer::Pos> orig_results;
    // Look up the indices from vocabulary file and build results
    ...
    return orig_results;
  }
}

Cree funciones de fábrica de la API : se necesita un archivo de modelo y un OpResolver para inicializar el tflite::Interpreter . TaskAPIFactory proporciona funciones de utilidad para crear instancias de BaseTaskApi.

También debe proporcionar cualquier archivo asociado con el modelo. por ejemplo, BertQuestionAnswerer también puede tener un archivo adicional para el vocabulario de su tokenizador.

class BertQuestionAnswerer : public BaseTaskApi<
                              std::vector<QaAnswer>, // OutputType
                              const std::string&, const std::string& // InputTypes
                              > {
  // Factory function to create the API instance
  StatusOr<std::unique_ptr<QuestionAnswerer>>
  BertQuestionAnswerer::CreateBertQuestionAnswerer(
      const std::string& path_to_model, // model to passed to TaskApiFactory
      const std::string& path_to_vocab  // additional model specific files
  ) {
    // Creates an API object by calling one of the utils from TaskAPIFactory
    std::unique_ptr<BertQuestionAnswerer> api_to_init;
    ASSIGN_OR_RETURN(
        api_to_init,
        core::TaskAPIFactory::CreateFromFile<BertQuestionAnswerer>(
            path_to_model,
            absl::make_unique<tflite::ops::builtin::BuiltinOpResolver>(),
            kNumLiteThreads));

    // Perform additional model specific initializations
    // In this case building a vocabulary vector from the vocab file.
    api_to_init->InitializeVocab(path_to_vocab);
    return api_to_init;
  }
}

API de Android

Cree API de Android definiendo la interfaz Java/Kotlin y delegando la lógica a la capa C++ a través de JNI. La API de Android requiere que la API nativa se construya primero.

Ejemplo de uso

Aquí hay un ejemplo que usa Java BertQuestionAnswerer para MobileBert .

  String BERT_MODEL_FILE = "path/to/model.tflite";
  String VOCAB_FILE = "path/to/vocab.txt";
  // Create the API from a model file and vocabulary file
    BertQuestionAnswerer bertQuestionAnswerer =
        BertQuestionAnswerer.createBertQuestionAnswerer(
            ApplicationProvider.getApplicationContext(), BERT_MODEL_FILE, VOCAB_FILE);

  String CONTEXT = ...; // context of a question to be answered
  String QUESTION = ...; // question to be answered
  // ask a question
  List<QaAnswer> answers = bertQuestionAnswerer.answer(CONTEXT, QUESTION);
  // answers.get(0).text is the best answer

Construyendo la API

Figura 3. API de tareas de Android

De forma similar a las API nativas, para crear un objeto de API, el cliente debe proporcionar la siguiente información ampliando BaseTaskApi , que proporciona funciones de JNI para todas las API de tareas de Java.

Determine la E/S de la API : esto generalmente refleja las interfaces nativas. por ejemplo, BertQuestionAnswerer toma (String context, String question) como entrada y genera List<QaAnswer> . La implementación llama a una función nativa privada con una firma similar, excepto que tiene un parámetro adicional long nativeHandle , que es el puntero devuelto por C++.

class BertQuestionAnswerer extends BaseTaskApi {
  public List<QaAnswer> answer(String context, String question) {
    return answerNative(getNativeHandle(), context, question);
  }

  private static native List<QaAnswer> answerNative(
                                        long nativeHandle, // C++ pointer
                                        String context, String question // API I/O
                                       );

}

Crear funciones de fábrica de la API : esto también refleja las funciones de fábrica nativas, excepto que las funciones de fábrica de Android también deben tomar Context para acceder a los archivos. La implementación llama a una de las utilidades de TaskJniUtils para compilar el objeto API de C++ correspondiente y pasar su puntero al constructor BaseTaskApi .

  class BertQuestionAnswerer extends BaseTaskApi {
    private static final String BERT_QUESTION_ANSWERER_NATIVE_LIBNAME =
                                              "bert_question_answerer_jni";

    // Extending super constructor by providing the
    // native handle(pointer of corresponding C++ API object)
    private BertQuestionAnswerer(long nativeHandle) {
      super(nativeHandle);
    }

    public static BertQuestionAnswerer createBertQuestionAnswerer(
                                        Context context, // Accessing Android files
                                        String pathToModel, String pathToVocab) {
      return new BertQuestionAnswerer(
          // The util first try loads the JNI module with name
          // BERT_QUESTION_ANSWERER_NATIVE_LIBNAME, then opens two files,
          // converts them into ByteBuffer, finally ::initJniWithBertByteBuffers
          // is called with the buffer for a C++ API object pointer
          TaskJniUtils.createHandleWithMultipleAssetFilesFromLibrary(
              context,
              BertQuestionAnswerer::initJniWithBertByteBuffers,
              BERT_QUESTION_ANSWERER_NATIVE_LIBNAME,
              pathToModel,
              pathToVocab));
    }

    // modelBuffers[0] is tflite model file buffer, and modelBuffers[1] is vocab file buffer.
    // returns C++ API object pointer casted to long
    private static native long initJniWithBertByteBuffers(ByteBuffer... modelBuffers);

  }

Implemente el módulo JNI para funciones nativas : todos los métodos nativos de Java se implementan llamando a una función nativa correspondiente desde el módulo JNI. Las funciones de fábrica crearían un objeto API nativo y devolverían su puntero como un tipo largo a Java. En llamadas posteriores a la API de Java, el puntero de tipo largo se devuelve a JNI y se vuelve a convertir en el objeto de la API nativa. Los resultados de la API nativa se vuelven a convertir en resultados de Java.

Por ejemplo, así es como se implementa bert_question_answerer_jni .

  // Implements BertQuestionAnswerer::initJniWithBertByteBuffers
  extern "C" JNIEXPORT jlong JNICALL
  Java_org_tensorflow_lite_task_text_qa_BertQuestionAnswerer_initJniWithBertByteBuffers(
      JNIEnv* env, jclass thiz, jobjectArray model_buffers) {
    // Convert Java ByteBuffer object into a buffer that can be read by native factory functions
    absl::string_view model =
        GetMappedFileBuffer(env, env->GetObjectArrayElement(model_buffers, 0));

    // Creates the native API object
    absl::StatusOr<std::unique_ptr<QuestionAnswerer>> status =
        BertQuestionAnswerer::CreateFromBuffer(
            model.data(), model.size());
    if (status.ok()) {
      // converts the object pointer to jlong and return to Java.
      return reinterpret_cast<jlong>(status->release());
    } else {
      return kInvalidPointer;
    }
  }

  // Implements BertQuestionAnswerer::answerNative
  extern "C" JNIEXPORT jobject JNICALL
  Java_org_tensorflow_lite_task_text_qa_BertQuestionAnswerer_answerNative(
  JNIEnv* env, jclass thiz, jlong native_handle, jstring context, jstring question) {
  // Convert long to native API object pointer
  QuestionAnswerer* question_answerer = reinterpret_cast<QuestionAnswerer*>(native_handle);

  // Calls the native API
  std::vector<QaAnswer> results = question_answerer->Answer(JStringToString(env, context),
                                         JStringToString(env, question));

  // Converts native result(std::vector<QaAnswer>) to Java result(List<QaAnswerer>)
  jclass qa_answer_class =
    env->FindClass("org/tensorflow/lite/task/text/qa/QaAnswer");
  jmethodID qa_answer_ctor =
    env->GetMethodID(qa_answer_class, "<init>", "(Ljava/lang/String;IIF)V");
  return ConvertVectorToArrayList<QaAnswer>(
    env, results,
    [env, qa_answer_class, qa_answer_ctor](const QaAnswer& ans) {
      jstring text = env->NewStringUTF(ans.text.data());
      jobject qa_answer =
          env->NewObject(qa_answer_class, qa_answer_ctor, text, ans.pos.start,
                         ans.pos.end, ans.pos.logit);
      env->DeleteLocalRef(text);
      return qa_answer;
    });
  }

  // Implements BaseTaskApi::deinitJni by delete the native object
  extern "C" JNIEXPORT void JNICALL Java_task_core_BaseTaskApi_deinitJni(
      JNIEnv* env, jobject thiz, jlong native_handle) {
    delete reinterpret_cast<QuestionAnswerer*>(native_handle);
  }

API de iOS

Cree API de iOS envolviendo un objeto de API nativo en un objeto de API de ObjC. El objeto API creado se puede usar en ObjC o Swift. La API de iOS requiere que la API nativa se construya primero.

Ejemplo de uso

Aquí hay un ejemplo que usa ObjC TFLBertQuestionAnswerer para MobileBert en Swift.

  static let mobileBertModelPath = "path/to/model.tflite";
  // Create the API from a model file and vocabulary file
  let mobileBertAnswerer = TFLBertQuestionAnswerer.mobilebertQuestionAnswerer(
      modelPath: mobileBertModelPath)

  static let context = ...; // context of a question to be answered
  static let question = ...; // question to be answered
  // ask a question
  let answers = mobileBertAnswerer.answer(
      context: TFLBertQuestionAnswererTest.context, question: TFLBertQuestionAnswererTest.question)
  // answers.[0].text is the best answer

Construyendo la API

Figura 4. API de tareas de iOS

La API de iOS es un contenedor de ObjC simple además de la API nativa. Cree la API siguiendo los pasos a continuación:

Definir el envoltorio ObjC : defina una clase ObjC y delegue las implementaciones al objeto API nativo correspondiente. Tenga en cuenta que las dependencias nativas solo pueden aparecer en un archivo .mm debido a la incapacidad de Swift para interoperar con C++.

archivo .h

  @interface TFLBertQuestionAnswerer : NSObject

  // Delegate calls to the native BertQuestionAnswerer::CreateBertQuestionAnswerer
  + (instancetype)mobilebertQuestionAnswererWithModelPath:(NSString*)modelPath
                                                vocabPath:(NSString*)vocabPath
      NS_SWIFT_NAME(mobilebertQuestionAnswerer(modelPath:vocabPath:));

  // Delegate calls to the native BertQuestionAnswerer::Answer
  - (NSArray<TFLQAAnswer*>*)answerWithContext:(NSString*)context
                                     question:(NSString*)question
      NS_SWIFT_NAME(answer(context:question:));
}

archivo .mm

  using BertQuestionAnswererCPP = ::tflite::task::text::BertQuestionAnswerer;

  @implementation TFLBertQuestionAnswerer {
    // define an iVar for the native API object
    std::unique_ptr<QuestionAnswererCPP> _bertQuestionAnswerwer;
  }

  // Initialize the native API object
  + (instancetype)mobilebertQuestionAnswererWithModelPath:(NSString *)modelPath
                                          vocabPath:(NSString *)vocabPath {
    absl::StatusOr<std::unique_ptr<QuestionAnswererCPP>> cQuestionAnswerer =
        BertQuestionAnswererCPP::CreateBertQuestionAnswerer(MakeString(modelPath),
                                                            MakeString(vocabPath));
    _GTMDevAssert(cQuestionAnswerer.ok(), @"Failed to create BertQuestionAnswerer");
    return [[TFLBertQuestionAnswerer alloc]
        initWithQuestionAnswerer:std::move(cQuestionAnswerer.value())];
  }

  // Calls the native API and converts C++ results into ObjC results
  - (NSArray<TFLQAAnswer *> *)answerWithContext:(NSString *)context question:(NSString *)question {
    std::vector<QaAnswerCPP> results =
      _bertQuestionAnswerwer->Answer(MakeString(context), MakeString(question));
    return [self arrayFromVector:results];
  }
}