การอนุมาน TensorFlow Lite กับข้อมูลเมตา

การกำหนดขอบเขตโมเดลด้วยข้อมูลเมตานั้นทำได้ง่ายๆ ด้วยโค้ดเพียงไม่กี่บรรทัด ข้อมูลเมตาของ TensorFlow Lite มีคำอธิบายที่สมบูรณ์ของสิ่งที่โมเดลทำและวิธีใช้โมเดล โดยสามารถส่งเสริมให้โปรแกรมสร้างโค้ดสร้างโค้ดอนุมานให้คุณโดยอัตโนมัติ เช่น การใช้ฟีเจอร์ Android Studio ML Binding หรือโปรแกรมสร้างโค้ด Android ของ TensorFlow Lite นอกจากนี้ยังใช้กำหนดค่าไปป์ไลน์การอนุมานที่กำหนดเองได้อีกด้วย

เครื่องมือและห้องสมุด

TensorFlow Lite มีเครื่องมือและไลบรารีมากมายสำหรับปฏิบัติตามข้อกำหนดการทำให้ใช้งานได้ในระดับต่างๆ ดังนี้

สร้างอินเทอร์เฟซโมเดลด้วยโปรแกรมสร้างโค้ด Android

การสร้างโค้ด Android Wrapper ที่จำเป็นสำหรับโมเดล TensorFlow Lite ที่มีข้อมูลเมตาโดยอัตโนมัติมี 2 วิธีดังนี้

  1. Android Studio ML Model Binding เป็นเครื่องมือที่พร้อมใช้งาน ภายใน Android Studio เพื่อนำเข้าโมเดล TensorFlow Lite ผ่านอินเทอร์เฟซแบบกราฟิก Android Studio จะกำหนดการตั้งค่าสำหรับโปรเจ็กต์โดยอัตโนมัติและสร้างคลาส Wrapper โดยอิงตามข้อมูลเมตาของโมเดล

  2. TensorFlow Lite Code Generator เป็นไฟล์ปฏิบัติการที่สร้างอินเทอร์เฟซโมเดลโดยอัตโนมัติตามข้อมูลเมตา โดยปัจจุบัน รองรับ Android ที่มี Java โค้ด Wrapper ทำให้ไม่จำเป็นต้องโต้ตอบกับ ByteBuffer โดยตรง แต่นักพัฒนาซอฟต์แวร์จะโต้ตอบกับโมเดล TensorFlow Lite กับออบเจ็กต์ที่พิมพ์ เช่น Bitmap และ Rect แทนได้ ผู้ใช้ Android Studio ยังเข้าถึงฟีเจอร์โค้ดการสร้างผ่าน Android Studio ML Binding ได้ด้วย

สร้างไปป์ไลน์การอนุมานที่กำหนดเองด้วย TensorFlow Lite Support Library

TensorFlow Lite Support Library เป็นไลบรารีข้ามแพลตฟอร์มที่จะช่วยปรับแต่งอินเทอร์เฟซของโมเดลและสร้างไปป์ไลน์การอนุมาน มีวิธีการใช้งานและโครงสร้างข้อมูลที่หลากหลายสำหรับก่อน/หลังการประมวลผลและการแปลงข้อมูล และยังออกแบบมาให้เข้ากับลักษณะการทำงานของโมดูล TensorFlow เช่น TF.Image และ TF.Text เพื่อดูแลให้มีความสอดคล้องกันตั้งแต่การฝึกไปจนถึงการประมวลผล

สำรวจโมเดลที่ฝึกไว้แล้วล่วงหน้าพร้อมข้อมูลเมตา

เรียกดู Kaggle Models เพื่อดาวน์โหลดโมเดลที่ฝึกไว้แล้วล่วงหน้าที่มีข้อมูลเมตาสำหรับทั้งงานการมองเห็นและข้อความ นอกจากนี้ โปรดดูตัวเลือกต่างๆ ในการแสดงภาพข้อมูลเมตา

TensorFlow Lite รองรับที่เก็บ GitHub

ไปที่ที่เก็บ GitHub สำหรับการสนับสนุน TensorFlow Lite เพื่อดูตัวอย่างและซอร์สโค้ดเพิ่มเติม