TensorFlow Lite के मॉडल बनाएं

इस पेज पर, TensorFlow के ऐसे मॉडल बनाने के बारे में जानकारी दी गई है जिनका मकसद TensorFlow Lite मॉडल फ़ॉर्मैट में बदलना है. TensorFlow Lite के साथ इस्तेमाल किए जाने वाले मशीन लर्निंग (एमएल) मॉडल, मूल रूप से TensorFlow की कोर लाइब्रेरी और टूल का इस्तेमाल करके बनाए और ट्रेन किए गए होते हैं. TensorFlow कोर की मदद से मॉडल बनाने के बाद, उसे छोटे और बेहतर एमएल मॉडल फ़ॉर्मैट में बदला जा सकता है. इसे TensorFlow Lite मॉडल कहा जाता है.

अगर आपके पास पहले से ही मॉडल को ग्राहक में बदलने के लिए कोई मॉडल है, तो उसे बदलने के बारे में दिशा-निर्देश पाने के लिए, मॉडल बदलने की खास जानकारी वाला पेज देखें.

अपना मॉडल बनाना

अगर आपको अपनी ज़रूरत के हिसाब से कोई मॉडल बनाना है, तो आपको TensorFlow के किसी मॉडल को डेवलप करने और उसकी ट्रेनिंग लेने के साथ-साथ, पहले से मौजूद किसी मॉडल को बढ़ाना चाहिए.

मॉडल के डिज़ाइन से जुड़े प्रतिबंध

मॉडल डेवलपमेंट प्रोसेस शुरू करने से पहले, आपको TensorFlow Lite मॉडल की पाबंदियों के बारे में पता होना चाहिए. साथ ही, इन सीमाओं को ध्यान में रखकर अपना मॉडल बनाना चाहिए:

  • सीमित कंप्यूट सुविधाएं - पूरी तरह से लैस सर्वर के मुकाबले, एक से ज़्यादा सीपीयू, ज़्यादा मेमोरी क्षमता वाले सर्वर, और जीपीयू और टीपीयू जैसे खास प्रोसेसर, मोबाइल और किनारे के डिवाइसों पर मिलने वाली सुविधाएं बहुत सीमित होती हैं. हालांकि, ये कंप्यूट पावर और खास तरह के हार्डवेयर के साथ काम कर रहे हैं, लेकिन इनकी मदद से जिन मॉडल और डेटा को असरदार तरीके से प्रोसेस किया जा सकता है वे अब भी तुलनात्मक रूप से सीमित हैं.
  • मॉडल का साइज़ - किसी मॉडल की जटिलता की वजह से, मॉडल की मेमोरी में साइज़ बढ़ जाता है. इसमें डेटा प्री-प्रोसेसिंग लॉजिक और मॉडल में लेयर की संख्या शामिल होती है. हो सकता है कि बड़ा मॉडल धीरे चल रहा हो या मोबाइल या किनारे के डिवाइस की मौजूदा मेमोरी में फ़िट न हो पाए.
  • डेटा का साइज़ - इनपुट डेटा का साइज़, जिसे मशीन लर्निंग मॉडल की मदद से असरदार तरीके से प्रोसेस किया जा सकता है वह मोबाइल या किनारे वाले डिवाइस पर सीमित होता है. बड़ी डेटा लाइब्रेरी, जैसे कि लैंग्वेज लाइब्रेरी, इमेज लाइब्रेरी या वीडियो क्लिप लाइब्रेरी का इस्तेमाल करने वाले मॉडल, इन डिवाइसों पर फ़िट नहीं हो सकते. साथ ही, इन्हें डिवाइस से बाहर स्टोरेज और ऐक्सेस की ज़रूरत पड़ सकती है.
  • TensorFlow के साथ काम करने वाली कार्रवाइयां - TensorFlow Lite के रनटाइम एनवायरमेंट में, सामान्य TensorFlow मॉडल की तुलना में मशीन लर्निंग मॉडल ऑपरेशन के सबसेट काम करते हैं. TensorFlow Lite के साथ इस्तेमाल करने के लिए कोई मॉडल बनाते समय, आपको यह ट्रैक करना चाहिए कि आपका मॉडल TensorFlow Lite के रनटाइम एनवायरमेंट की क्षमताओं के हिसाब से काम करता है या नहीं.

TensorFlow Lite के लिए असरदार, साथ काम करने वाले, और हाई परफ़ॉर्मेंस वाले मॉडल बनाने के बारे में ज़्यादा जानकारी के लिए, परफ़ॉर्मेंस के सबसे सही तरीके देखें.

मॉडल डेवलपमेंट

TensorFlow Lite मॉडल बनाने के लिए, पहले आपको TensorFlow की कोर लाइब्रेरी का इस्तेमाल करके मॉडल बनाना होगा. TensorFlow की कोर लाइब्रेरी, लोअर-लेवल की ऐसी लाइब्रेरी हैं जो एमएल मॉडल बनाने, उन्हें ट्रेनिंग देने, और डिप्लॉय करने के लिए एपीआई उपलब्ध कराती हैं.

TFLite बिल्ड वर्कफ़्लो

ऐसा करने के लिए, TensorFlow दो पाथ देता है. खुद का कस्टम मॉडल कोड बनाया जा सकता है या TensorFlow मॉडल गार्डन में उपलब्ध मॉडल लागू करने से शुरुआत की जा सकती है.

मॉडल गार्डन

TensorFlow मॉडल गार्डन में विज़न और नैचुरल लैंग्वेज प्रोसेसिंग (एनएलपी) के लिए कई आधुनिक मशीन लर्निंग (एमएल) मॉडल लागू किए जाते हैं. आपको वर्कफ़्लो टूल भी मिलेंगे. इनकी मदद से, स्टैंडर्ड डेटासेट पर उन मॉडल को तुरंत कॉन्फ़िगर किया जा सकता है और चलाया जा सकता है. मॉडल गार्डन में मशीन लर्निंग मॉडल में पूरा कोड दिया जाता है, ताकि आप अपने डेटासेट का इस्तेमाल करके उनकी जांच कर सकें, उन्हें ट्रेनिंग दे सकें या फिर से ट्रेनिंग दे सकें.

चाहे आपको किसी जाने-माने मॉडल की परफ़ॉर्मेंस को बेंचमार्क करना हो, हाल ही में रिलीज़ की गई रिसर्च के नतीजों की पुष्टि करनी हो या मौजूदा मॉडल को बढ़ाना हो, मॉडल गार्डन आपकी मशीन लर्निंग से जुड़े लक्ष्यों को हासिल करने में मदद कर सकता है.

कस्टम मॉडल

अगर आपके इस्तेमाल का उदाहरण, मॉडल गार्डन के मॉडल में काम करने वाली स्थितियों से अलग है, तो अपना कस्टम ट्रेनिंग कोड डेवलप करने के लिए, Keras जैसी हाई लेवल लाइब्रेरी का इस्तेमाल किया जा सकता है. TensorFlow की बुनियादी बातों के बारे में जानने के लिए, TensorFlow की गाइड देखें. उदाहरण देखने के लिए, TensorFlow के ट्यूटोरियल की खास जानकारी देखें. इसमें एक्सपर्ट लेवल के ट्यूटोरियल शुरू करने के लिए पॉइंटर शामिल हैं.

मॉडल इवैलुएशन

मॉडल बना लेने के बाद, आपको उसकी परफ़ॉर्मेंस का आकलन करना चाहिए और असली उपयोगकर्ता के डिवाइसों पर उसकी जांच करनी चाहिए. ऐसा करने के लिए, TensorFlow के कुछ तरीके बताए गए हैं.

  • TensorBoard एक ऐसा टूल है जो मशीन लर्निंग वर्कफ़्लो के दौरान, ज़रूरी मेज़रमेंट और विज़ुअलाइज़ेशन उपलब्ध कराता है. इसकी मदद से, परफ़ॉर्मेंस की जांच से जुड़ी मेट्रिक को ट्रैक किया जा सकता है. जैसे, नुकसान और सटीक होने की जानकारी, मॉडल ग्राफ़ को विज़ुअलाइज़ करना, निचले डाइमेंशन में एम्बेड करना वगैरह.
  • मानदंड टूल, Android मानदंड ऐप्लिकेशन और iOS बेंचमार्क ऐप्लिकेशन जैसे हर प्लैटफ़ॉर्म के लिए उपलब्ध हैं. परफ़ॉर्मेंस की अहम मेट्रिक के आंकड़ों को मापने और उनका हिसाब लगाने के लिए इन टूल का इस्तेमाल करें.

मॉडल ऑप्टिमाइज़ेशन

TensorFlow लाइट मॉडल के लिए खास संसाधनों पर सीमाओं के साथ, मॉडल ऑप्टिमाइज़ेशन से यह पक्का किया जा सकता है कि आपके मॉडल की परफ़ॉर्मेंस अच्छी हो. साथ ही, यह कम कंप्यूट संसाधनों का इस्तेमाल करता है. आम तौर पर, मशीन लर्निंग मॉडल की परफ़ॉर्मेंस डेटा के सटीक होने के मुकाबले, साइज़ और स्पीड के बीच संतुलन होता है. TensorFlow Lite फ़िलहाल, संख्या बढ़ाने, छांटने का तरीका, और क्लस्टरिंग के ज़रिए ऑप्टिमाइज़ेशन की सुविधा देता है. इन तकनीकों के बारे में ज़्यादा जानकारी के लिए, मॉडल ऑप्टिमाइज़ेशन विषय देखें. TensorFlow, मॉडल ऑप्टिमाइज़ेशन टूलकिट भी उपलब्ध कराता है, जो एक ऐसा एपीआई उपलब्ध कराता है जो इन तकनीकों को लागू करता है.

अगले चरण