 Zobacz na TensorFlow.org |  Uruchom w Google Colab |  Zobacz na GitHub |  Pobierz notatnik |
Przegląd
Modele uczenia maszynowego są często wdrażane za pomocą TensorFlow Lite na urządzeniach mobilnych, wbudowanych i IoT, aby poprawić prywatność danych i skrócić czas reakcji. Modele te często wymagają obsługi operacji przetwarzania tekstu. TensorFlow Text w wersji 2.7 i nowszych zapewnia lepszą wydajność, mniejsze rozmiary plików binarnych i operacje specjalnie zoptymalizowane do użytku w tych środowiskach.
Operatory tekstu
Następujące klasy TensorFlow Text mogą być używane w modelu TensorFlow Lite.
-
FastWordpieceTokenizer -
WhitespaceTokenizer
Przykład modelu
pip install -U tensorflow-text
from absl import app
import numpy as np
import tensorflow as tf
import tensorflow_text as tf_text
from tensorflow.lite.python import interpreter
Poniższy przykład kodu przedstawia proces konwersji i interpretację w języku Python przy użyciu prostego modelu testowego. Zwróć uwagę, że dane wyjściowe modelu nie mogą być obiektem tf.RaggedTensor , gdy używasz TensorFlow Lite. Możesz jednak zwrócić składniki obiektu tf.RaggedTensor lub przekonwertować go za pomocą funkcji to_tensor . Więcej informacji znajdziesz w przewodniku RaggedTensor .
class TokenizerModel(tf.keras.Model):
def __init__(self, **kwargs):
super().__init__(**kwargs)
self.tokenizer = tf_text.WhitespaceTokenizer()
@tf.function(input_signature=[
tf.TensorSpec(shape=[None], dtype=tf.string, name='input')
])
def call(self, input_tensor):
return { 'tokens': self.tokenizer.tokenize(input_tensor).flat_values }
# Test input data.
input_data = np.array(['Some minds are better kept apart'])
# Define a Keras model.
model = TokenizerModel()
# Perform TensorFlow Text inference.
tf_result = model(tf.constant(input_data))
print('TensorFlow result = ', tf_result['tokens'])
TensorFlow result = tf.Tensor([b'Some' b'minds' b'are' b'better' b'kept' b'apart'], shape=(6,), dtype=string)
Konwertuj model TensorFlow na TensorFlow Lite
Podczas konwertowania modelu TensorFlow z operatorami tekstowymi TensorFlow na TensorFlow Lite, należy wskazać TFLiteConverter , że istnieją operatory niestandardowe używające atrybutu allow_custom_ops , jak w poniższym przykładzie. Następnie możesz uruchomić konwersję modelu w normalny sposób. Zapoznaj się z dokumentacją konwertera TensorFlow Lite , aby uzyskać szczegółowy przewodnik dotyczący podstaw konwersji modeli.
# Convert to TensorFlow Lite.
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS]
converter.allow_custom_ops = True
tflite_model = converter.convert()
2022-02-01 12:09:02.062677: W tensorflow/python/util/util.cc:368] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
INFO:tensorflow:Assets written to: /tmp/tmpiiuhjdn6/assets
2022-02-01 12:09:03.705144: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:363] Ignored output_format.
WARNING:absl:Buffer deduplication procedure will be skipped when flatbuffer library is not properly loaded
2022-02-01 12:09:03.705185: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:366] Ignored drop_control_dependency.
2022-02-01 12:09:03.921830: W tensorflow/compiler/mlir/lite/flatbuffer_export.cc:1902] The following operation(s) need TFLite custom op implementation(s):
Custom ops: TFText>WhitespaceTokenizeWithOffsetsV2
Details:
tf.TFText>WhitespaceTokenizeWithOffsetsV2(tensor<?x!tf_type.string>, tensor<!tf_type.string>) -> (tensor<?x!tf_type.string>, tensor<?xi64>, tensor<?xi32>, tensor<?xi32>) : {device = ""}
See instructions: https://www.tensorflow.org/lite/guide/ops_custom
Wnioskowanie
Aby interpreter TensorFlow Lite prawidłowo odczytywał model zawierający operatory tekstowe TensorFlow, należy go skonfigurować tak, aby używał tych operatorów niestandardowych i zapewnić dla nich metody rejestracji. Użyj tf_text.tflite_registrar.SELECT_TFTEXT_OPS , aby zapewnić pełny zestaw funkcji rejestracji dla obsługiwanych operatorów tekstu TensorFlow do InterpreterWithCustomOps .
Zauważ, że chociaż poniższy przykład pokazuje wnioskowanie w Pythonie, kroki są podobne w innych językach z niewielkimi tłumaczeniami API i koniecznością tflite_registrar do twojego pliku binarnego. Zobacz TensorFlow Lite Inference , aby uzyskać więcej informacji.
# Perform TensorFlow Lite inference.
interp = interpreter.InterpreterWithCustomOps(
model_content=tflite_model,
custom_op_registerers=tf_text.tflite_registrar.SELECT_TFTEXT_OPS)
interp.get_signature_list()
{'serving_default': {'inputs': ['input'], 'outputs': ['tokens']} }
Następnie interpreter TensorFlow Lite jest wywoływany z danymi wejściowymi, dostarczając wynik, który odpowiada powyższemu wynikowi TensorFlow.
tokenize = interp.get_signature_runner('serving_default')
output = tokenize(input=input_data)
print('TensorFlow Lite result = ', output['tokens'])
TensorFlow Lite result = [b'Some' b'minds' b'are' b'better' b'kept' b'apart']