Na tej stronie opisano, jak przekonwertować model TensorFlow na model TensorFlow Lite (zoptymalizowany format FlatBuffer identyfikowany przez rozszerzenie pliku .tflite
) przy użyciu konwertera TensorFlow Lite.
Proces konwersji
Poniższy diagram ilustruje ogólny proces konwersji modelu:
Rysunek 1. Przebieg pracy konwertera.
Możesz przekonwertować swój model, korzystając z jednej z następujących opcji:
- Python API ( zalecane ): pozwala zintegrować konwersję z procesem programowania, zastosować optymalizacje, dodać metadane i wiele innych zadań, które upraszczają proces konwersji.
- Wiersz poleceń : obsługuje tylko podstawową konwersję modelu.
API Pythona
Kod pomocniczy: Aby dowiedzieć się więcej o interfejsie API konwertera TensorFlow Lite, uruchom print(help(tf.lite.TFLiteConverter))
.
Konwertuj model TensorFlow przy użyciu tf.lite.TFLiteConverter
. Model TensorFlow jest przechowywany w formacie SavedModel i jest generowany przy użyciu wysokopoziomowych interfejsów API tf.keras.*
(model Keras) lub niskiego poziomu interfejsów API tf.*
(z których generujesz konkretne funkcje). W rezultacie masz trzy następujące opcje (przykłady znajdują się w kilku następnych sekcjach):
-
tf.lite.TFLiteConverter.from_saved_model()
( zalecane ): Konwertuje SavedModel . -
tf.lite.TFLiteConverter.from_keras_model()
: Konwertuje model Keras . -
tf.lite.TFLiteConverter.from_concrete_functions()
: Konwertuje konkretne funkcje .
Konwertuj zapisany model (zalecane)
Poniższy przykład pokazuje, jak przekonwertować SavedModel na model TensorFlow Lite.
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)
Konwertuj model Kerasa
Poniższy przykład pokazuje, jak przekonwertować model Keras na model TensorFlow Lite.
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)
Konwersja konkretnych funkcji
Poniższy przykład pokazuje, jak przekonwertować konkretne funkcje na model TensorFlow Lite.
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.
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)
Inne funkcje
Zastosuj optymalizacje . Powszechnie stosowaną optymalizacją jest kwantyzacja po szkoleniu , która może jeszcze bardziej zmniejszyć opóźnienie i rozmiar modelu przy minimalnej utracie dokładności.
Dodaj metadane , które ułatwiają tworzenie kodu opakowania specyficznego dla platformy podczas wdrażania modeli na urządzeniach.
Błędy konwersji
Poniżej przedstawiono typowe błędy konwersji i ich rozwiązania:
Błąd:
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: ..., .., ...
Rozwiązanie: Błąd występuje, ponieważ Twój model ma operacje TF, które nie mają odpowiedniej implementacji TFLite. Możesz rozwiązać ten problem , używając opcji TF w modelu TFLite (zalecane). Jeśli chcesz wygenerować model tylko z operacjami TFLite, możesz albo dodać żądanie brakującej operacji TFLite w Github numer 21526 (zostaw komentarz, jeśli Twoja prośba nie została jeszcze wspomniana) lub samodzielnie utworzyć opcję TFLite .
Błąd:
.. is neither a custom op nor a flex op
Rozwiązanie: Jeśli ta operacja TF to:
Obsługiwane w TF: Błąd występuje, ponieważ na liście dozwolonych (wyczerpująca lista operacji TF obsługiwanych przez TFLite) brakuje operacji TF. Można rozwiązać ten problem w następujący sposób:
Nieobsługiwane w TF: Błąd występuje, ponieważ TFLite nie zna zdefiniowanego przez Ciebie niestandardowego operatora TF. Można rozwiązać ten problem w następujący sposób:
- Utwórz operację TF .
- Konwertuj model TF na model TFLite .
- Utwórz operację TFLite i uruchom wnioskowanie, łącząc ją ze środowiskiem wykonawczym TFLite.
Narzędzie wiersza poleceń
Jeśli zainstalowałeś TensorFlow 2.x z pip , użyj polecenia tflite_convert
. Aby wyświetlić wszystkie dostępne flagi, użyj następującego polecenia:
$ 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.
Jeśli masz pobrane źródło TensorFlow 2.x i chcesz uruchomić konwerter z tego źródła bez budowania i instalowania pakietu, możesz zamienić „ tflite_convert
” na „ bazel run tensorflow/lite/python:tflite_convert --
” w poleceniu.
Konwersja zapisanego modelu
tflite_convert \
--saved_model_dir=/tmp/mobilenet_saved_model \
--output_file=/tmp/mobilenet.tflite
Konwersja modelu Keras H5
tflite_convert \
--keras_model_file=/tmp/mobilenet_keras_model.h5 \
--output_file=/tmp/mobilenet.tflite
Następne kroki
Użyj interpretera TensorFlow Lite , aby uruchomić wnioskowanie na urządzeniu klienckim (np. mobilnym, wbudowanym).