Ta strona została przetłumaczona przez Cloud Translation API.

Migracja kodu TFLite do TF2

Zobacz na TensorFlow.org

Uruchom w Google Colab

Wyświetl źródło na GitHub

Pobierz notatnik

TensorFlow Lite (TFLite) to zestaw narzędzi, które pomagają programistom uruchamiać wnioskowanie ML na urządzeniu (urządzenia mobilne, wbudowane i IoT). Konwerter TFLite jest jednym z takich narzędzi, które konwertuje istniejące modele TF na zoptymalizowany format modelu TFLite, który można efektywnie uruchamiać na urządzeniu.

W tym dokumencie dowiesz się, jakie zmiany należy wprowadzić w kodzie konwersji TF na TFLite, a następnie przedstawisz kilka przykładów, które robią to samo.

Zmiany w kodzie konwersji TF na TFLite

Jeśli używasz starszego formatu modelu TF1 (plik Keras, zamrożony GraphDef, punkty kontrolne, tf.Session itp.), zaktualizuj go do TF1/TF2 SavedModel i użyj interfejsu API konwertera TF2 tf.lite.TFLiteConverter.from_saved_model(...) , aby przekonwertować go na model TFLite (patrz Tabela 1).
Zaktualizuj flagi interfejsu API konwertera (patrz Tabela 2).
Usuń starsze interfejsy API, takie jak tf.lite.constants . (np. Zamień tf.lite.constants.INT8 na tf.int8 )

// Tabela 1 // Aktualizacja interfejsu API TFLite Python Converter

TF1 API	TF2 API
`tf.lite.TFLiteConverter.from_saved_model('saved_model/',..)`	utrzymany
`tf.lite.TFLiteConverter.from_keras_model_file('model.h5',..)`	usunięto (aktualizacja do formatu SavedModel)
`tf.lite.TFLiteConverter.from_frozen_graph('model.pb',..)`	usunięto (aktualizacja do formatu SavedModel)
`tf.lite.TFLiteConverter.from_session(sess,...)`	usunięto (aktualizacja do formatu SavedModel)

// Tabela 2 // Aktualizacja flag interfejsu API konwertera TFLite w Pythonie

TF1 API	TF2 API
`allow_custom_ops` `optimizations` `representative_dataset` `target_spec` `inference_input_type` `inference_output_type` `experimental_new_converter` `experimental_new_quantizer`	utrzymany
`input_tensors` `output_tensors` `input_arrays_with_shape` `output_arrays` `experimental_debug_info_func`	usunięto (nieobsługiwane argumenty interfejsu API konwertera)
`change_concat_input_ranges` `default_ranges_stats` `get_input_arrays()` `inference_type` `quantized_input_stats` `reorder_across_fake_quant`	usunięto (nieobsługiwane przepływy pracy kwantyzacji)
`conversion_summary_dir` `dump_graphviz_dir` `dump_graphviz_video`	usunięto (zamiast tego wizualizuj modele za pomocą Netron lub visualize.py )
`output_format` `drop_control_dependency`	usunięto (nieobsługiwane funkcje w TF2)

Przykłady

Omówisz teraz kilka przykładów konwertowania starszych modeli TF1 na TF1/TF2 SavedModels, a następnie konwertowania ich na modele TF2 TFLite.

Ustawiać

Zacznij od niezbędnych importów TensorFlow.

import tensorflow as tf
import tensorflow.compat.v1 as tf1
import numpy as np

import logging
logger = tf.get_logger()
logger.setLevel(logging.ERROR)

import shutil
def remove_dir(path):
  try:
    shutil.rmtree(path)
  except:
    pass

Utwórz wszystkie niezbędne formaty modeli TF1.

# Create a TF1 SavedModel
SAVED_MODEL_DIR = "tf_saved_model/"
remove_dir(SAVED_MODEL_DIR)
with tf1.Graph().as_default() as g:
  with tf1.Session() as sess:
    input = tf1.placeholder(tf.float32, shape=(3,), name='input')
    output = input + 2
    # print("result: ", sess.run(output, {input: [0., 2., 4.]}))
    tf1.saved_model.simple_save(
        sess, SAVED_MODEL_DIR,
        inputs={'input': input}, 
        outputs={'output': output})
print("TF1 SavedModel path: ", SAVED_MODEL_DIR)

# Create a TF1 Keras model
KERAS_MODEL_PATH = 'tf_keras_model.h5'
model = tf1.keras.models.Sequential([
    tf1.keras.layers.InputLayer(input_shape=(128, 128, 3,), name='input'),
    tf1.keras.layers.Dense(units=16, input_shape=(128, 128, 3,), activation='relu'),
    tf1.keras.layers.Dense(units=1, name='output')
])
model.save(KERAS_MODEL_PATH, save_format='h5')
print("TF1 Keras Model path: ", KERAS_MODEL_PATH)

# Create a TF1 frozen GraphDef model
GRAPH_DEF_MODEL_PATH = tf.keras.utils.get_file(
    'mobilenet_v1_0.25_128',
    origin='https://storage.googleapis.com/download.tensorflow.org/models/mobilenet_v1_0.25_128_frozen.tgz',
    untar=True,
) + '/frozen_graph.pb'

print("TF1 frozen GraphDef path: ", GRAPH_DEF_MODEL_PATH)

TF1 SavedModel path:  tf_saved_model/
TF1 Keras Model path:  tf_keras_model.h5
Downloading data from https://storage.googleapis.com/download.tensorflow.org/models/mobilenet_v1_0.25_128_frozen.tgz
2621440/2617289 [==============================] - 0s 0us/step
2629632/2617289 [==============================] - 0s 0us/step
TF1 frozen GraphDef path:  /home/kbuilder/.keras/datasets/mobilenet_v1_0.25_128/frozen_graph.pb

1. Konwertuj TF1 SavedModel na model TFLite

Przed: Konwersja z TF1

Jest to typowy kod konwersji TFlite w stylu TF1.

converter = tf1.lite.TFLiteConverter.from_saved_model(
    saved_model_dir=SAVED_MODEL_DIR,
    input_arrays=['input'],
    input_shapes={'input' : [3]}
)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()
# Ignore warning: "Use '@tf.function' or '@defun' to decorate the function."

2021-09-22 20:02:56.143221: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-09-22 20:02:56.143267: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.
2021-09-22 20:02:56.143274: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:360] Ignored change_concat_input_ranges.

Po: Konwersja z TF2

Bezpośrednio przekonwertuj TF1 SavedModel na model TFLite, z ustawionymi mniejszymi flagami konwertera v2.

# Convert TF1 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir=SAVED_MODEL_DIR)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
tflite_model = converter.convert()

2021-09-22 20:02:56.207882: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-09-22 20:02:56.207923: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.
2021-09-22 20:02:56.207930: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:360] Ignored change_concat_input_ranges.

2. Konwertuj plik modelu TF1 Keras na model TFLite

Przed: Konwersja z TF1

Jest to typowy kod konwersji TFlite w stylu TF1.

converter = tf1.lite.TFLiteConverter.from_keras_model_file(model_file=KERAS_MODEL_PATH)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()

2021-09-22 20:02:56.608343: W tensorflow/python/util/util.cc:348] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
2021-09-22 20:02:57.119836: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-09-22 20:02:57.119881: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.
2021-09-22 20:02:57.119888: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:360] Ignored change_concat_input_ranges.

Po: Konwersja z TF2

Najpierw przekonwertuj plik modelu TF1 Keras na TF2 SavedModel, a następnie przekonwertuj go na model TFLite z ustawionymi mniejszymi flagami konwertera v2.

# Convert TF1 Keras model file to TF2 SavedModel.
model = tf.keras.models.load_model(KERAS_MODEL_PATH)
model.save(filepath='saved_model_2/')

# Convert TF2 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir='saved_model_2/')
tflite_model = converter.convert()

2021-09-22 20:02:57.943564: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-09-22 20:02:57.943608: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.
2021-09-22 20:02:57.943614: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:360] Ignored change_concat_input_ranges.

3. Konwertuj zamrożony GraphDef TF1 na model TFLite

Przed: Konwersja z TF1

Jest to typowy kod konwersji TFlite w stylu TF1.

converter = tf1.lite.TFLiteConverter.from_frozen_graph(
    graph_def_file=GRAPH_DEF_MODEL_PATH,
    input_arrays=['input'],
    input_shapes={'input' : [1, 128, 128, 3]},
    output_arrays=['MobilenetV1/Predictions/Softmax'],
)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()

2021-09-22 20:02:58.139650: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-09-22 20:02:58.139707: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.
2021-09-22 20:02:58.139721: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:360] Ignored change_concat_input_ranges.

Po: Konwersja z TF2

Najpierw przekonwertuj zamrożony GraphDef TF1 na TF1 SavedModel, a następnie przekonwertuj go na model TFLite z ustawionymi mniejszymi flagami konwertera v2.

## Convert TF1 frozen Graph to TF1 SavedModel.

# Load the graph as a v1.GraphDef
import pathlib
gdef = tf.compat.v1.GraphDef()
gdef.ParseFromString(pathlib.Path(GRAPH_DEF_MODEL_PATH).read_bytes())

# Convert the GraphDef to a tf.Graph
with tf.Graph().as_default() as g:
  tf.graph_util.import_graph_def(gdef, name="")

# Lookup the input and output tensors.
input_tensor = g.get_tensor_by_name('input:0') 
output_tensor = g.get_tensor_by_name('MobilenetV1/Predictions/Softmax:0')

# Save the graph as a TF1 Savedmodel
remove_dir('saved_model_3/')
with tf.compat.v1.Session(graph=g) as s:
  tf.compat.v1.saved_model.simple_save(
      session=s,
      export_dir='saved_model_3/',
      inputs={'input':input_tensor},
      outputs={'output':output_tensor})

# Convert TF1 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir='saved_model_3/')
converter.optimizations = {tf.lite.Optimize.DEFAULT}
tflite_model = converter.convert()

2021-09-22 20:02:58.874490: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-09-22 20:02:58.874538: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.
2021-09-22 20:02:58.874545: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:360] Ignored change_concat_input_ranges.

Dalsze czytanie

Zapoznaj się z przewodnikiem TFLite , aby dowiedzieć się więcej o przepływach pracy i najnowszych funkcjach.
Jeśli używasz kodu TF1 lub starszych formatów modeli TF1 (pliki Keras .h5 , zamrożony GraphDef .pb itp.), zaktualizuj kod i przenieś modele do formatu TF2 SavedModel .