TensorFlow Lite modelleri oluşturun

Bu sayfa, TensorFlow Lite model formatına dönüştürmek amacıyla TensorFlow modellerinizi oluşturmak için rehberlik sağlar. TensorFlow Lite ile kullandığınız makine öğrenimi (ML) modelleri orijinal olarak TensorFlow çekirdek kitaplıkları ve araçları kullanılarak oluşturulmuş ve eğitilmiştir. TensorFlow çekirdeği ile bir model oluşturduğunuzda, onu TensorFlow Lite modeli adı verilen daha küçük, daha verimli bir ML model biçimine dönüştürebilirsiniz.

Modelinizi oluşturma

Özel kullanım durumunuz için özel bir model oluşturuyorsanız, bir TensorFlow modeli geliştirip eğiterek veya mevcut olanı genişleterek başlamalısınız.

Model tasarımı kısıtlamaları

Model geliştirme sürecinize başlamadan önce, TensorFlow Lite modellerinin kısıtlamalarının farkında olmalı ve modelinizi şu kısıtlamaları göz önünde bulundurarak oluşturmalısınız:

  • Sınırlı bilgi işlem yetenekleri - Birden fazla CPU'ya, yüksek bellek kapasitesine ve GPU'lar ve TPU'lar gibi özel işlemcilere sahip tam donanımlı sunucularla karşılaştırıldığında, mobil ve uç cihazlar çok daha sınırlıdır. Bilgi işlem gücü ve özel donanım uyumluluğu açısından büyürken, bunlarla etkili bir şekilde işleyebileceğiniz modeller ve veriler hala nispeten sınırlıdır.
  • Modellerin boyutu - Veri ön işleme mantığı ve modeldeki katman sayısı dahil olmak üzere bir modelin genel karmaşıklığı, bir modelin bellek içi boyutunu artırır. Büyük bir model kabul edilemez derecede yavaş çalışabilir veya bir mobil veya uç aygıtın kullanılabilir belleğine sığmayabilir.
  • Veri boyutu - Bir makine öğrenimi modeliyle etkin bir şekilde işlenebilen girdi verilerinin boyutu, bir mobil veya uç cihazda sınırlıdır. Dil kitaplıkları, görüntü kitaplıkları veya video klip kitaplıkları gibi büyük veri kitaplıkları kullanan modeller bu cihazlara sığmayabilir ve cihaz dışı depolama ve erişim çözümleri gerektirebilir.
  • Desteklenen TensorFlow işlemleri - TensorFlow Lite çalışma zamanı ortamları, normal TensorFlow modellerine kıyasla makine öğrenimi modeli işlemlerinin bir alt kümesini destekler. TensorFlow Lite ile kullanmak için bir model geliştirirken, modelinizin TensorFlow Lite çalışma zamanı ortamlarının yetenekleriyle uyumluluğunu izlemelisiniz.

TensorFlow Lite için etkili, uyumlu, yüksek performanslı modeller oluşturma hakkında daha fazla bilgi için bkz. Performansla ilgili en iyi uygulamalar .

Model geliştirme

Bir TensorFlow Lite modeli oluşturmak için önce TensorFlow çekirdek kitaplıklarını kullanarak bir model oluşturmanız gerekir. TensorFlow çekirdek kitaplıkları, makine öğrenimi modelleri oluşturmak, eğitmek ve dağıtmak için API'ler sağlayan alt düzey kitaplıklardır.

TFLite derleme iş akışı

TensorFlow, bunu yapmak için iki yol sağlar. Kendi özel model kodunuzu geliştirebilir veya TensorFlow Model Garden'da bulunan bir model uygulamasıyla başlayabilirsiniz.

Model Bahçe

TensorFlow Model Garden, görme ve doğal dil işleme (NLP) için birçok son teknoloji makine öğrenimi (ML) modelinin uygulamalarını sağlar. Ayrıca, bu modelleri standart veri kümelerinde hızlı bir şekilde yapılandırmanıza ve çalıştırmanıza olanak tanıyan iş akışı araçları da bulacaksınız. Model Garden'daki makine öğrenimi modelleri, kendi veri kümelerinizi kullanarak bunları test edebilmeniz, eğitebilmeniz veya yeniden eğitebilmeniz için tam kod içerir.

İster iyi bilinen bir model için performans karşılaştırması yapmak, ister yakın zamanda yayınlanan araştırmaların sonuçlarını doğrulamak veya mevcut modelleri genişletmek istiyorsanız, Model Bahçesi makine öğrenimi hedeflerinizi gerçekleştirmenize yardımcı olabilir.

Özel modeller

Kullanım durumunuz Model Garden'daki modeller tarafından desteklenenlerin dışındaysa, özel eğitim kodunuzu geliştirmek için Keras gibi üst düzey bir kitaplık kullanabilirsiniz. TensorFlow'un temellerini öğrenmek için TensorFlow kılavuzuna bakın. Örneklerle başlamak için, uzman düzeyinde öğreticilere başlama işaretlerini içeren TensorFlow eğitimlerine genel bakışa bakın.

Model değerlendirmesi

Modelinizi geliştirdikten sonra performansını değerlendirmeli ve son kullanıcı cihazlarında test etmelisiniz. TensorFlow, bunu yapmanın birkaç yolunu sunar.

  • TensorBoard , makine öğrenimi iş akışı sırasında ihtiyaç duyulan ölçümleri ve görselleştirmeleri sağlamaya yönelik bir araçtır. Kayıp ve doğruluk gibi deney ölçümlerinin izlenmesine, model grafiğinin görselleştirilmesine, yerleştirmelerin daha düşük boyutlu bir alana yansıtılmasına ve çok daha fazlasına olanak tanır.
  • Android kıyaslama uygulaması ve iOS kıyaslama uygulaması gibi desteklenen her platform için kıyaslama araçları mevcuttur. Önemli performans metriklerine ilişkin istatistikleri ölçmek ve hesaplamak için bu araçları kullanın.

Model optimizasyonu

TensorFlow Lite modellerine özgü kaynaklar üzerindeki kısıtlamalarla model optimizasyonu, modelinizin performansının iyi olmasını sağlamaya yardımcı olabilir ve daha az işlem kaynağı kullanır. Makine öğrenimi modeli performansı, genellikle boyut ve çıkarım hızı ile doğruluk arasındaki bir dengedir. TensorFlow Lite şu anda niceleme, budama ve kümeleme yoluyla optimizasyonu desteklemektedir. Bu teknikler hakkında daha fazla ayrıntı için model optimizasyonu konusuna bakın. TensorFlow ayrıca, bu teknikleri uygulayan bir API sağlayan bir Model optimizasyon araç seti sağlar.

Sonraki adımlar