 Veja no TensorFlow.org |  Executar no Google Colab |  Ver no GitHub |  Baixar caderno |
Visão geral
Os modelos de aprendizado de máquina são frequentemente implantados usando o TensorFlow Lite em dispositivos móveis, incorporados e IoT para melhorar a privacidade dos dados e reduzir os tempos de resposta. Esses modelos geralmente exigem suporte para operações de processamento de texto. O TensorFlow Text versão 2.7 e superior oferece desempenho aprimorado, tamanhos binários reduzidos e operações especificamente otimizadas para uso nesses ambientes.
Operadores de texto
As seguintes classes de texto do TensorFlow podem ser usadas em um modelo do TensorFlow Lite.
-
FastWordpieceTokenizer -
WhitespaceTokenizer
Exemplo de modelo
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
O exemplo de código a seguir mostra o processo de conversão e interpretação em Python usando um modelo de teste simples. Observe que a saída de um modelo não pode ser um objeto tf.RaggedTensor quando você estiver usando o TensorFlow Lite. No entanto, você pode retornar os componentes de um objeto tf.RaggedTensor ou convertê-lo usando sua função to_tensor . Consulte o guia RaggedTensor para obter mais detalhes.
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)
Converter o modelo do TensorFlow para o TensorFlow Lite
Ao converter um modelo do TensorFlow com operadores de texto do TensorFlow para o TensorFlow Lite, você precisa indicar ao TFLiteConverter que há operadores personalizados usando o atributo allow_custom_ops como no exemplo abaixo. Você pode então executar a conversão do modelo como faria normalmente. Revise a documentação do conversor do TensorFlow Lite para obter um guia detalhado sobre os fundamentos da conversão de modelos.
# 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
Inferência
Para que o interpretador do TensorFlow Lite leia corretamente seu modelo contendo operadores de texto do TensorFlow, você deve configurá-lo para usar esses operadores personalizados e fornecer métodos de registro para eles. Use tf_text.tflite_registrar.SELECT_TFTEXT_OPS para fornecer o conjunto completo de funções de registro para os operadores de texto do TensorFlow compatíveis para InterpreterWithCustomOps .
Observe que, embora o exemplo abaixo mostre inferência em Python, as etapas são semelhantes em outros idiomas com algumas traduções de API menores e a necessidade de criar o tflite_registrar em seu binário. Consulte Inferência do TensorFlow Lite para obter mais detalhes.
# 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']} }
Em seguida, o interpretador do TensorFlow Lite é invocado com a entrada, fornecendo um resultado que corresponde ao resultado do TensorFlow acima.
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']