สร้างโมเดล TensorFlow Lite

หน้านี้มีแนวทางในการสร้างโมเดล TensorFlow โดยมีจุดประสงค์เพื่อแปลงเป็นรูปแบบโมเดล TensorFlow Lite โมเดลแมชชีนเลิร์นนิง (ML) ที่คุณใช้กับ TensorFlow Lite ได้รับการสร้างและฝึกตั้งแต่แรกโดยใช้ไลบรารีและเครื่องมือหลักของ TensorFlow เมื่อสร้างโมเดลด้วย TensorFlow Core แล้ว คุณจะแปลงเป็นรูปแบบ ML ที่เล็กลงแต่มีประสิทธิภาพมากขึ้นที่เรียกว่าโมเดล TensorFlow Lite ได้

หากคุณมีโมเดลที่จะแปลงแล้ว โปรดดูหน้าภาพรวมโมเดลสำหรับคำแนะนำในการแปลงโมเดล

การสร้างแบบจำลองของคุณ

หากคุณกำลังสร้างโมเดลที่กำหนดเองสำหรับ Use Case เฉพาะ คุณควรเริ่มต้นด้วยการพัฒนาและฝึกโมเดล TensorFlow หรือขยายโมเดลที่มีอยู่

ข้อจำกัดในการออกแบบโมเดล

ก่อนที่จะเริ่มกระบวนการพัฒนาโมเดล คุณควรทราบถึงข้อจำกัดสำหรับโมเดล TensorFlow Lite และสร้างโมเดลโดยคำนึงถึงข้อจำกัดเหล่านี้

  • ความสามารถในการประมวลผลที่จำกัด - เมื่อเทียบกับเซิร์ฟเวอร์ที่มี CPU หลายตัว ความจุหน่วยความจำสูง และโปรเซสเซอร์พิเศษ เช่น GPU และ TPU ถือว่าอุปกรณ์เคลื่อนที่และอุปกรณ์ Edge มีขีดจำกัดมากกว่ามากเมื่อเทียบกับเซิร์ฟเวอร์ที่มีอุปกรณ์ครบครัน แม้ว่าจะมีกำลังในการประมวลผลมากขึ้นและมีความเข้ากันได้กับฮาร์ดแวร์เฉพาะทาง แต่โมเดลและข้อมูลที่คุณประมวลผลได้อย่างมีประสิทธิภาพก็ยังมีข้อจำกัดอย่างมาก
  • ขนาดของโมเดล - ความซับซ้อนโดยรวมของโมเดล ซึ่งรวมถึงตรรกะก่อนการประมวลผลข้อมูลและจำนวนเลเยอร์ในโมเดล จะทำให้โมเดลมีขนาดในหน่วยความจำเพิ่มขึ้น โมเดลขนาดใหญ่อาจทำงานช้าอย่างไม่น่าเชื่อหรือมีขนาดไม่พอดีกับหน่วยความจำที่มีอยู่ของอุปกรณ์เคลื่อนที่หรืออุปกรณ์ Edge
  • ขนาดข้อมูล - ขนาดของข้อมูลอินพุตที่ประมวลผลได้อย่างมีประสิทธิภาพด้วยโมเดลแมชชีนเลิร์นนิงจะถูกจำกัดไว้ในอุปกรณ์เคลื่อนที่หรืออุปกรณ์ Edge โมเดลที่ใช้ไลบรารีข้อมูลขนาดใหญ่ เช่น ไลบรารีภาษา ไลบรารีรูปภาพ หรือไลบรารีวิดีโอคลิป อาจไม่เหมาะกับอุปกรณ์เหล่านี้ และอาจต้องใช้พื้นที่เก็บข้อมูลนอกอุปกรณ์และโซลูชันการเข้าถึง
  • การดำเนินการ TensorFlow ที่รองรับ - สภาพแวดล้อมรันไทม์ของ TensorFlow Lite จะรองรับการดำเนินการของโมเดลแมชชีนเลิร์นนิงบางส่วนเมื่อเทียบกับโมเดล TensorFlow ทั่วไป เมื่อพัฒนาโมเดลเพื่อใช้กับ TensorFlow Lite คุณควรติดตามความเข้ากันได้ของโมเดลกับความสามารถของสภาพแวดล้อมรันไทม์ TensorFlow Lite

ดูข้อมูลเพิ่มเติมเกี่ยวกับการสร้างโมเดลประสิทธิภาพสูงและเข้ากันได้สำหรับ TensorFlow Lite ที่หัวข้อแนวทางปฏิบัติแนะนำด้านประสิทธิภาพ

การพัฒนาโมเดล

หากต้องการสร้างโมเดล TensorFlow Lite คุณต้องสร้างโมเดลโดยใช้ไลบรารีหลักของ TensorFlow ก่อน ไลบรารีหลักของ TensorFlow เป็นไลบรารีระดับล่างที่มี API เพื่อสร้าง ฝึก และติดตั้งใช้งานโมเดล ML

เวิร์กโฟลว์บิลด์ของ TFLite

TensorFlow มี 2 เส้นทางให้คุณดำเนินการ คุณจะพัฒนาโค้ดโมเดลที่กำหนดเองหรือจะเริ่มจากการใช้งานโมเดลที่มีใน Model Garden ของ TensorFlow ก็ได้

Model Garden

TensorFlow Model Garden มีการติดตั้งใช้งานโมเดลแมชชีนเลิร์นนิง (ML) ที่ล้ำสมัยสำหรับการประมวลผลการมองเห็นและภาษาธรรมชาติ (NLP) นอกจากนี้ยังมีเครื่องมือเวิร์กโฟลว์ที่จะช่วยให้คุณกำหนดค่าและเรียกใช้โมเดลเหล่านั้นในชุดข้อมูลมาตรฐานได้อย่างรวดเร็ว โมเดลแมชชีนเลิร์นนิงในสวนโมเดลมีโค้ดแบบเต็มเพื่อให้คุณทดสอบ ฝึก หรือฝึกอีกครั้งโดยใช้ชุดข้อมูลของคุณเองได้

ไม่ว่าคุณจะต้องการเปรียบเทียบประสิทธิภาพสำหรับโมเดลที่มีชื่อเสียง ตรวจสอบผลลัพธ์ของการวิจัยที่เพิ่งเปิดตัว หรือขยายโมเดลที่มีอยู่ สวนโมเดลสามารถช่วยคุณขับเคลื่อนเป้าหมาย ML ได้

โมเดลที่กำหนดเอง

หากกรณีการใช้งานของคุณไม่ใช่กรณีการใช้งานที่โมเดลสนับสนุนในสวนโมเดล คุณสามารถใช้ไลบรารีระดับสูง เช่น Keras เพื่อพัฒนาโค้ดการฝึกที่กำหนดเองได้ หากต้องการเรียนรู้พื้นฐานของ TensorFlow โปรดดูคู่มือ TensorFlow ในการเริ่มต้นใช้งาน ตัวอย่าง โปรดดูภาพรวมบทแนะนำ TensorFlow ซึ่งมีเคอร์เซอร์ตั้งแต่เริ่มไปจนถึงบทแนะนำระดับผู้เชี่ยวชาญ

การประเมินโมเดล

เมื่อพัฒนาโมเดลแล้ว คุณควรประเมินประสิทธิภาพและทดสอบบนอุปกรณ์ของผู้ใช้ปลายทาง TensorFlow มีวิธีทำอยู่ 2-3 วิธี

  • TensorBoard เป็นเครื่องมือสำหรับมอบการวัดผลและการแสดงข้อมูลผ่านภาพที่จำเป็นระหว่างเวิร์กโฟลว์แมชชีนเลิร์นนิง ซึ่งจะเปิดใช้การติดตามเมตริกการทดสอบ เช่น การสูญเสียและความแม่นยำ การแสดงภาพกราฟโมเดล การฉายภาพฝังในพื้นที่ขนาดเล็ก และอื่นๆ อีกมากมาย
  • เครื่องมือการเปรียบเทียบมีให้บริการสำหรับแต่ละแพลตฟอร์มที่รองรับ เช่น แอปเปรียบเทียบใน Android และแอปเปรียบเทียบใน iOS คุณสามารถใช้เครื่องมือเหล่านี้เพื่อวัดและคำนวณสถิติสำหรับเมตริกประสิทธิภาพที่สำคัญ

การเพิ่มประสิทธิภาพโมเดล

ด้วยข้อจำกัดด้านทรัพยากรเฉพาะสำหรับโมเดล TensorFlow Lite การเพิ่มประสิทธิภาพโมเดลจึงช่วยดูแลให้โมเดลมีประสิทธิภาพที่ดีและใช้ทรัพยากรการประมวลผลน้อยลงได้ ประสิทธิภาพของโมเดลแมชชีนเลิร์นนิงมักจะสมดุลระหว่างขนาดและความเร็วในการอนุมานกับความแม่นยำ ปัจจุบัน TensorFlow Lite รองรับการเพิ่มประสิทธิภาพผ่านการวัดปริมาณ การตัดแต่ง และการจัดคลัสเตอร์ ดูรายละเอียดเพิ่มเติมเกี่ยวกับเทคนิคเหล่านี้ได้ในหัวข้อการเพิ่มประสิทธิภาพโมเดล นอกจากนี้ TensorFlow ยังมีชุดเครื่องมือเพิ่มประสิทธิภาพโมเดลซึ่งมี API ที่นำเทคนิคเหล่านี้ไปใช้

ขั้นตอนถัดไป