استنتاج مدل ها با ابرداده می تواند به سادگی چند خط کد باشد. ابرداده TensorFlow Lite شامل توصیفی غنی از آنچه مدل انجام می دهد و نحوه استفاده از مدل است. میتواند به تولیدکنندههای کد قدرت دهد تا بهطور خودکار کد استنتاج را برای شما تولید کنند، مانند استفاده از ویژگی Android Studio ML Binding یا TensorFlow Lite مولد کد Android . همچنین می تواند برای پیکربندی خط لوله استنتاج سفارشی شما استفاده شود.
ابزارها و کتابخانه ها
TensorFlow Lite انواع ابزارها و کتابخانه ها را برای ارائه سطوح مختلف الزامات استقرار به شرح زیر ارائه می دهد:
ایجاد رابط مدل با تولید کننده کد اندروید
دو راه برای تولید خودکار کد پوشش اندروید لازم برای مدل TensorFlow Lite با ابرداده وجود دارد:
Android Studio ML Model Binding ابزاری است که در Android Studio برای وارد کردن مدل TensorFlow Lite از طریق یک رابط گرافیکی موجود است. Android Studio به طور خودکار تنظیمات پروژه را پیکربندی می کند و کلاس های wrapper را بر اساس فراداده مدل ایجاد می کند.
TensorFlow Lite Code Generator یک فایل اجرایی است که رابط مدل را به طور خودکار بر اساس ابرداده تولید می کند. در حال حاضر از اندروید با جاوا پشتیبانی می کند. کد wrapper نیاز به تعامل مستقیم با
ByteBuffer
را از بین می برد. در عوض، توسعه دهندگان می توانند با مدل TensorFlow Lite با اشیاء تایپ شده مانندBitmap
وRect
تعامل داشته باشند. کاربران Android Studio همچنین میتوانند از طریق Android Studio ML Binding به ویژگی codegen دسترسی پیدا کنند.
خطوط لوله استنتاج سفارشی را با کتابخانه پشتیبانی TensorFlow Lite بسازید
کتابخانه پشتیبانی TensorFlow Lite یک کتابخانه چند پلتفرمی است که به سفارشی کردن رابط مدل و ایجاد خطوط لوله استنتاج کمک می کند. این شامل انواع روشهای کاربردی و ساختارهای داده برای انجام پردازش قبل و بعد و تبدیل داده است. همچنین برای مطابقت با رفتار ماژول های TensorFlow، مانند TF.Image و TF.Text، طراحی شده است، که از آموزش تا استنباط سازگاری را تضمین می کند.
مدل های از پیش آموزش دیده را با ابرداده کاوش کنید
مدل های Kaggle را برای دانلود مدل های از پیش آموزش دیده با ابرداده برای وظایف بینایی و متنی مرور کنید. همچنین گزینه های مختلف تجسم ابرداده را ببینید.
TensorFlow Lite از مخزن GitHub پشتیبانی می کند
برای مثالها و کد منبع بیشتر ، از مخزن GitHub پشتیبانی TensorFlow Lite دیدن کنید.