此页面由 Cloud Translation API 翻译。

TensorFlow Lite Task 库

TensorFlow Lite Task 库包含一系列强大且易用的特定于任务的库，供应用开发者使用 TFLite 打造机器学习体验。它为热门机器学习提供经过优化的开箱即用模型界面例如图片分类、问题和答案等。系统专门针对每项任务而设计了界面，性能和易用性Task 库可跨平台运行，且支持 Java、C++ 和 Swift。

Task 库的用途

可供非机器学习专家使用的干净且定义明确的 API
只需 5 行代码即可完成推断。使用功能强大的一些简单易用的 API 作为构建块，可帮助您轻松在移动设备上使用 TFLite 开发机器学习。
复杂但常见的数据处理
支持通用视觉和自然语言处理逻辑进行转换模型所需的数据格式之间。提供用于训练和推理的相同、可共享的处理逻辑。
高性能增益
数据处理只需几毫秒，确保使用 TensorFlow Lite 实现快速推理。
可扩展性和自定义
您可以利用 Task 库基础架构提供的所有优势，轻松构建自己的 Android/iOS 推理 API。

支持的任务

下面列出了支持的任务类型。随着我们会继续支持越来越多的使用场景。

Vision API
Natural Language (NL) API
音频 API
- AudioClassifier
自定义 API
- 扩展 Task API 基础架构并构建自定义 API。

使用委托运行 Task 库

代理用于为以下对象启用硬件加速： TensorFlow Lite 模型，利用设备端加速器（如 GPU 和 Coral Edge TPU。利用因此能为神经网络操作带来极大的延迟，和能源效率。例如，GPU 最多可提供高达 5 倍的加速器移动设备上的延迟时间，以及 Coral Edge TPU 推断 10x 比桌面设备 CPU 快多。

Task 库提供简单的配置和回退选项供您设置以及如何使用委托Task API 现在支持以下加速器：

Android 设备 <ph type="x-smartling-placeholder">
- GPU：Java / C++
Linux / Mac <ph type="x-smartling-placeholder">
- Coral Edge TPU：C++
iOS <ph type="x-smartling-placeholder">
- Core ML 代理：C++

我们即将在 Task Swift / Web API 中提供加速支持。

Android 上 GPU 的 Java 用法示例

第 1 步：将 GPU 代理插件库添加到模块的 build.gradle 中文件：

dependencies {
    // Import Task Library dependency for vision, text, or audio.

    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin'
}

第 2 步：通过 BaseOptions. 例如，您可以在 ObjectDetector 中设置 GPU，如下所示：

// Turn on GPU delegation.
BaseOptions baseOptions = BaseOptions.builder().useGpu().build();
// Configure other options in ObjectDetector
ObjectDetectorOptions options =
    ObjectDetectorOptions.builder()
        .setBaseOptions(baseOptions)
        .setMaxResults(1)
        .build();

// Create ObjectDetector from options.
ObjectDetector objectDetector =
    ObjectDetector.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<Detection> results = objectDetector.detect(image);

Android 上的 GPU 使用示例 (C++)

第 1 步：依赖于 bazel 构建目标中的 GPU delegate 插件，例如：

deps = [
  "//tensorflow_lite_support/acceleration/configuration:gpu_plugin", # for GPU
]

第 2 步：在任务选项中配置 GPU 代理。例如，您可以设置 BertQuestionAnswerer 中的 GPU，如下所示：

// Initialization
BertQuestionAnswererOptions options;
// Load the TFLite model.
auto base_options = options.mutable_base_options();
base_options->mutable_model_file()->set_file_name(model_file);
// Turn on GPU delegation.
auto tflite_settings = base_options->mutable_compute_settings()->mutable_tflite_settings();
tflite_settings->set_delegate(Delegate::GPU);
// (optional) Turn on automatical fallback to TFLite CPU path on delegation errors.
tflite_settings->mutable_fallback_settings()->set_allow_automatic_fallback_on_execution_error(true);

// Create QuestionAnswerer from options.
std::unique_ptr<QuestionAnswerer> answerer = BertQuestionAnswerer::CreateFromOptions(options).value();

// Run inference on GPU.
std::vector<QaAnswer> results = answerer->Answer(context_of_question, question_to_ask);

探索更多高级加速器设置此处。

在 Python 中使用 Coral Edge TPU 的示例

在任务的基本选项中配置 Coral Edge TPU。例如，您可以在 ImageClassifier 中设置 Coral Edge TPU，如下所示：

# Imports
from tflite_support.task import vision
from tflite_support.task import core

# Initialize options and turn on Coral Edge TPU delegation.
base_options = core.BaseOptions(file_name=model_path, use_coral=True)
options = vision.ImageClassifierOptions(base_options=base_options)

# Create ImageClassifier from options.
classifier = vision.ImageClassifier.create_from_options(options)

# Run inference on Coral Edge TPU.
image = vision.TensorImage.create_from_file(image_path)
classification_result = classifier.classify(image)

Coral Edge TPU 的 C++ 用法示例

第 1 步：依赖于您的 bazel 构建目标中的 Coral Edge TPU delegate 插件，例如：

deps = [
  "//tensorflow_lite_support/acceleration/configuration:edgetpu_coral_plugin", # for Coral Edge TPU
]

第 2 步：在任务选项中配置 Coral Edge TPU。例如，您可以将在 ImageClassifier 中启动 Coral Edge TPU：

// Initialization
ImageClassifierOptions options;
// Load the TFLite model.
options.mutable_base_options()->mutable_model_file()->set_file_name(model_file);
// Turn on Coral Edge TPU delegation.
options.mutable_base_options()->mutable_compute_settings()->mutable_tflite_settings()->set_delegate(Delegate::EDGETPU_CORAL);
// Create ImageClassifier from options.
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// Run inference on Coral Edge TPU.
const ClassificationResult result = image_classifier->Classify(*frame_buffer).value();

第 3 步：安装 libusb-1.0-0-dev 软件包，如下所示。如果已使用已安装，请跳到下一步。

# On the Linux
sudo apt-get install libusb-1.0-0-dev

# On the macOS
port install libusb
# or
brew install libusb

第 4 步：在 bazel 命令中使用以下配置进行编译：

# On the Linux
--define darwinn_portable=1 --linkopt=-lusb-1.0

# On the macOS, add '--linkopt=-lusb-1.0 --linkopt=-L/opt/local/lib/' if you are
# using MacPorts or '--linkopt=-lusb-1.0 --linkopt=-L/opt/homebrew/lib' if you
# are using Homebrew.
--define darwinn_portable=1 --linkopt=-L/opt/local/lib/ --linkopt=-lusb-1.0

# Windows is not supported yet.

试用 Task Library CLI 演示工具 Coral Edge TPU 设备搭配使用的情况。详细了解预训练的 Edge TPU 模型和高级 Edge TPU 设置。

Core ML Delegate 的 C++ 用法示例

您可以在 Image Classifier Core ML Delegate 中找到完整示例测试。

第 1 步：依赖于 bazel 构建目标中的 Core ML delegate 插件，例如以：

deps = [
  "//tensorflow_lite_support/acceleration/configuration:coreml_plugin", # for Core ML Delegate
]

第 2 步：在任务选项中配置 Core ML Delegate。例如，您可以将在 ImageClassifier 中设置 Core ML Delegate，如下所示：

// Initialization
ImageClassifierOptions options;
// Load the TFLite model.
options.mutable_base_options()->mutable_model_file()->set_file_name(model_file);
// Turn on Core ML delegation.
options.mutable_base_options()->mutable_compute_settings()->mutable_tflite_settings()->set_delegate(::tflite::proto::Delegate::CORE_ML);
// Set DEVICES_ALL to enable Core ML delegation on any device (in contrast to
// DEVICES_WITH_NEURAL_ENGINE which creates Core ML delegate only on devices
// with Apple Neural Engine).
options.mutable_base_options()->mutable_compute_settings()->mutable_tflite_settings()->mutable_coreml_settings()->set_enabled_devices(::tflite::proto::CoreMLSettings::DEVICES_ALL);
// Create ImageClassifier from options.
std::unique_ptr<ImageClassifier> image_classifier = ImageClassifier::CreateFromOptions(options).value();

// Run inference on Core ML.
const ClassificationResult result = image_classifier->Classify(*frame_buffer).value();