Dado que la biblioteca de operadores integrada de TensorFlow Lite solo admite una cantidad limitada de operadores de TensorFlow, no todos los modelos son convertibles. Para obtener más información, consulte compatibilidad de operadores .
Para permitir la conversión, los usuarios pueden habilitar el uso de ciertas operaciones de TensorFlow en su modelo TensorFlow Lite. Sin embargo, ejecutar modelos de TensorFlow Lite con operaciones de TensorFlow requiere incorporar el tiempo de ejecución principal de TensorFlow, lo que aumenta el tamaño binario del intérprete de TensorFlow Lite. Para Android, puedes evitar esto creando selectivamente solo las operaciones de Tensorflow requeridas. Para obtener más detalles, consulte reducir el tamaño binario .
Este documento describe cómo convertir y ejecutar un modelo de TensorFlow Lite que contiene operaciones de TensorFlow en una plataforma de su elección. También analiza las métricas de rendimiento y tamaño y las limitaciones conocidas .
Convertir un modelo
El siguiente ejemplo muestra cómo generar un modelo de TensorFlow Lite con operaciones seleccionadas de TensorFlow.
import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir)
converter.target_spec.supported_ops = [
tf.lite.OpsSet.TFLITE_BUILTINS, # enable TensorFlow Lite ops.
tf.lite.OpsSet.SELECT_TF_OPS # enable TensorFlow ops.
]
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)
Ejecutar inferencia
Cuando se utiliza un modelo de TensorFlow Lite que se ha convertido con soporte para operaciones seleccionadas de TensorFlow, el cliente también debe usar un tiempo de ejecución de TensorFlow Lite que incluya la biblioteca necesaria de operaciones de TensorFlow.
Android AAR
Para reducir el tamaño binario, cree sus propios archivos AAR personalizados como se indica en la siguiente sección . Si el tamaño binario no es una preocupación considerable, recomendamos utilizar el AAR prediseñado con operaciones de TensorFlow alojadas en MavenCentral .
Puedes especificar esto en tus dependencias build.gradle
agregándolo junto con el AAR estándar de TensorFlow Lite de la siguiente manera:
dependencies {
implementation 'org.tensorflow:tensorflow-lite:0.0.0-nightly-SNAPSHOT'
// This dependency adds the necessary TF op support.
implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:0.0.0-nightly-SNAPSHOT'
}
Para utilizar instantáneas nocturnas, asegúrese de haber agregado el repositorio de instantáneas de Sonatype .
Una vez que haya agregado la dependencia, el delegado necesario para manejar las operaciones de TensorFlow del gráfico debe instalarse automáticamente para los gráficos que las requieran.
android {
defaultConfig {
ndk {
abiFilters 'armeabi-v7a', 'arm64-v8a'
}
}
}
Construyendo el AAR de Android
Para reducir el tamaño binario u otros casos avanzados, también puede crear la biblioteca manualmente. Suponiendo que funcione el entorno de compilación de TensorFlow Lite , cree el AAR de Android con operaciones seleccionadas de TensorFlow de la siguiente manera:
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
Esto generará el archivo AAR bazel-bin/tmp/tensorflow-lite.aar
para las operaciones integradas y personalizadas de TensorFlow Lite; y genere el archivo AAR bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar
para las operaciones de TensorFlow. Si no tiene un entorno de compilación que funcione, también puede compilar los archivos anteriores con la ventana acoplable .
Desde allí, puede importar los archivos AAR directamente a su proyecto o publicar los archivos AAR personalizados en su repositorio Maven local:
mvn install:install-file \
-Dfile=bazel-bin/tmp/tensorflow-lite.aar \
-DgroupId=org.tensorflow \
-DartifactId=tensorflow-lite -Dversion=0.1.100 -Dpackaging=aar
mvn install:install-file \
-Dfile=bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar \
-DgroupId=org.tensorflow \
-DartifactId=tensorflow-lite-select-tf-ops -Dversion=0.1.100 -Dpackaging=aar
Finalmente, en build.gradle
de tu aplicación, asegúrate de tener la dependencia mavenLocal()
y reemplaza la dependencia estándar de TensorFlow Lite con la que admite operaciones seleccionadas de TensorFlow:
allprojects {
repositories {
mavenCentral()
maven { // Only for snapshot artifacts
name 'ossrh-snapshot'
url 'https://oss.sonatype.org/content/repositories/snapshots'
}
mavenLocal()
}
}
dependencies {
implementation 'org.tensorflow:tensorflow-lite:0.1.100'
implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:0.1.100'
}
iOS
Usando CocoaPods
TensorFlow Lite proporciona CocoaPods de operaciones TF seleccionadas y prediseñadas todas las noches para arm64
, en los que puede confiar junto con TensorFlowLiteSwift
o TensorFlowLiteObjC
CocoaPods.
# In your Podfile target:
pod 'TensorFlowLiteSwift' # or 'TensorFlowLiteObjC'
pod 'TensorFlowLiteSelectTfOps', '~> 0.0.1-nightly'
Después de ejecutar pod install
, debe proporcionar un indicador de vinculador adicional para forzar la carga del marco de operaciones TF seleccionado en su proyecto. En su proyecto Xcode, vaya a Build Settings
-> Other Linker Flags
y agregue:
Para versiones >= 2.9.0:
-force_load $(SRCROOT)/Pods/TensorFlowLiteSelectTfOps/Frameworks/TensorFlowLiteSelectTfOps.xcframework/ios-arm64/TensorFlowLiteSelectTfOps.framework/TensorFlowLiteSelectTfOps
Para versiones < 2.9.0:
-force_load $(SRCROOT)/Pods/TensorFlowLiteSelectTfOps/Frameworks/TensorFlowLiteSelectTfOps.framework/TensorFlowLiteSelectTfOps
Luego debería poder ejecutar cualquier modelo convertido con SELECT_TF_OPS
en su aplicación iOS. Por ejemplo, puede modificar la aplicación iOS de clasificación de imágenes para probar la función de selección de operaciones TF.
- Reemplace el archivo del modelo con el convertido con
SELECT_TF_OPS
habilitado. - Agregue la dependencia
TensorFlowLiteSelectTfOps
alPodfile
según las instrucciones. - Agregue la bandera del vinculador adicional como se indica arriba.
- Ejecute la aplicación de ejemplo y vea si el modelo funciona correctamente.
Usando Bazel + Xcode
TensorFlow Lite con operaciones seleccionadas de TensorFlow para iOS se puede crear usando Bazel. Primero, siga las instrucciones de compilación de iOS para configurar correctamente su espacio de trabajo de Bazel y su archivo .bazelrc
.
Una vez que haya configurado el espacio de trabajo con la compatibilidad con iOS habilitada, puede usar el siguiente comando para crear el marco de complemento de operaciones TF seleccionado, que se puede agregar encima del TensorFlowLiteC.framework
normal. Tenga en cuenta que el marco de operaciones TF seleccionado no se puede crear para la arquitectura i386
, por lo que debe proporcionar explícitamente la lista de arquitecturas de destino excluyendo i386
.
bazel build -c opt --config=ios --ios_multi_cpus=arm64,x86_64 \
//tensorflow/lite/ios:TensorFlowLiteSelectTfOps_framework
Esto generará el marco en el directorio bazel-bin/tensorflow/lite/ios/
. Puede agregar este nuevo marco a su proyecto Xcode siguiendo pasos similares descritos en la sección de configuración del proyecto Xcode en la guía de compilación de iOS.
Después de agregar el marco al proyecto de su aplicación, se debe especificar un indicador de vinculador adicional en el proyecto de su aplicación para forzar la carga del marco de operaciones TF seleccionado. En su proyecto Xcode, vaya a Build Settings
-> Other Linker Flags
y agregue:
-force_load <path/to/your/TensorFlowLiteSelectTfOps.framework/TensorFlowLiteSelectTfOps>
C/C++
Si está utilizando Bazel o CMake para crear el intérprete de TensorFlow Lite, puede habilitar el delegado de Flex vinculando una biblioteca compartida de delegados de TensorFlow Lite Flex. Puedes compilarlo con Bazel con el siguiente comando.
bazel build -c opt --config=monolithic tensorflow/lite/delegates/flex:tensorflowlite_flex
Este comando genera la siguiente biblioteca compartida en bazel-bin/tensorflow/lite/delegates/flex
.
Plataforma | Nombre de la biblioteca |
---|---|
linux | libtensorflowlite_flex.so |
macos | libtensorflowlite_flex.dylib |
ventanas | tensorflowlite_flex.dll |
Tenga en cuenta que el TfLiteDelegate
necesario se instalará automáticamente al crear el intérprete en tiempo de ejecución siempre que la biblioteca compartida esté vinculada. No es necesario instalar explícitamente la instancia de delegado como suele ser necesario con otros tipos de delegados.
Pitón
TensorFlow Lite con operaciones seleccionadas de TensorFlow se instalará automáticamente con el paquete pip de TensorFlow . También puede optar por instalar solo el paquete pip de TensorFlow Lite Interpreter .
Métrica
Actuación
Cuando se utiliza una combinación de operaciones integradas y seleccionadas de TensorFlow, todas las mismas optimizaciones de TensorFlow Lite y operaciones integradas optimizadas estarán disponibles y se podrán utilizar con el modelo convertido.
La siguiente tabla describe el tiempo promedio necesario para ejecutar la inferencia en MobileNet en un Pixel 2. Los tiempos enumerados son un promedio de 100 ejecuciones. Estos objetivos se crearon para Android usando las banderas: --config=android_arm64 -c opt
.
Construir | Tiempo (milisegundos) |
---|---|
Sólo operaciones integradas ( TFLITE_BUILTIN ) | 260,7 |
Usando solo operaciones TF ( SELECT_TF_OPS ) | 264,5 |
tamaño binario
La siguiente tabla describe el tamaño binario de TensorFlow Lite para cada compilación. Estos objetivos se crearon para Android usando --config=android_arm -c opt
.
Construir | Tamaño binario de C++ | Tamaño de APK de Android |
---|---|---|
Sólo operaciones integradas | 796KB | 561KB |
Operaciones integradas + operaciones TF | 23,0MB | 8,0 MB |
Operaciones integradas + operaciones TF (1) | 4,1 megas | 1,8 megas |
(1) Estas bibliotecas están construidas selectivamente para el modelo i3d-kinetics-400 con 8 operaciones integradas TFLite y 3 operaciones Tensorflow. Para obtener más detalles, consulte la sección Reducir el tamaño binario de TensorFlow Lite .
Limitaciones conocidas
- Tipos no admitidos: es posible que algunas operaciones de TensorFlow no admitan el conjunto completo de tipos de entrada/salida que normalmente están disponibles en TensorFlow.
Actualizaciones
- Versión 2.6
- Se ha mejorado la compatibilidad con operadores basados en atributos GraphDef y las inicializaciones de recursos HashTable.
- Versión 2.5
- Puedes aplicar una optimización conocida como cuantificación post entrenamiento.
- Versión 2.4
- Se ha mejorado la compatibilidad con delegados acelerados por hardware.