TensorFlow Lite modelleri oluşturma

Bu sayfada, TensorFlow Lite model biçimine dönüştürme amacıyla TensorFlow modellerinizi oluşturma konusunda yol gösterici bilgiler verilmektedir. TensorFlow Lite ile kullandığınız makine öğrenimi (ML) modelleri, başlangıçta TensorFlow temel kitaplıkları ve araçları kullanılarak derlenmiş ve eğitilmiştir. TensorFlow temel ile bir model derlediğinizde, bu modeli TensorFlow Lite modeli adı verilen daha küçük, daha verimli bir makine öğrenimi modeli biçimine dönüştürebilirsiniz.

Zaten dönüştürmek istediğiniz bir model varsa modelinizi dönüştürmeyle ilgili yardım için Modellere genel bakış sayfasına bakın.

Modelinizi oluşturma

Özel kullanım alanınız için özel bir model oluşturuyorsanız işe bir TensorFlow modeli geliştirip eğitmek veya mevcut bir modeli genişletmekle başlamanız gerekir.

Model tasarımı kısıtlamaları

Model geliştirme sürecinize başlamadan önce, TensorFlow Lite modellerine yönelik kısıtlamalar hakkında bilgi edinmeniz ve modelinizi aşağıdaki kısıtlamaları göz önünde bulundurarak oluşturmanız gerekir:

  • Sınırlı bilgi işlem yetenekleri: Birden fazla CPU'ya, yüksek bellek kapasitesine ve GPU ile TPU'lar gibi özel işlemcilere sahip tam donanımlı sunuculara kıyasla mobil ve uç cihazlar çok daha sınırlıdır. Her ne kadar bu ürünlerin işlem gücü ve özel donanım uyumluluğu gitgide artıyor olsa da, bunlarla etkili şekilde işleyebileceğiniz modeller ve veriler de karşılaştırılabilir derecede sınırlıdır.
  • Modellerin boyutu: Veri ön işleme mantığı ve modeldeki katman sayısı dahil olmak üzere bir modelin genel karmaşıklığı, bir modelin bellek içi boyutunu artırır. Büyük bir model kabul edilemeyecek kadar yavaş çalışabilir veya mobil ya da sınır cihazın mevcut belleğine sığmayabilir.
  • Verilerin boyutu: Makine öğrenimi modeliyle etkili bir şekilde işlenebilecek giriş verilerinin boyutu, mobil cihazlarda veya sınır cihazlarda sınırlıdır. Dil kitaplıkları, görüntü kitaplıkları veya video klip kitaplıkları gibi büyük veri kitaplıklarını kullanan modeller bu cihazlara sığmayabilir ve cihaz dışı depolama ve erişim çözümleri gerektirebilir.
  • Desteklenen TensorFlow işlemleri - TensorFlow Lite çalışma zamanı ortamları, normal TensorFlow modelleriyle karşılaştırıldığında makine öğrenimi modeli işlemlerinin bir alt kümesini destekler. TensorFlow Lite ile kullanmak üzere bir model geliştirirken modelinizin TensorFlow Lite çalışma zamanı ortamlarının özelliklerine göre uyumluluğunu izlemelisiniz.

TensorFlow Lite için etkili, uyumlu, yüksek performanslı modeller derleme konusunda daha fazla bilgi edinmek üzere Performans en iyi uygulamaları bölümüne bakın.

Model geliştirme

TensorFlow Lite modeli oluşturmak için önce TensorFlow çekirdek kitaplıklarını kullanarak bir model oluşturmanız gerekir. TensorFlow temel kitaplıkları, makine öğrenimi modellerini oluşturmak, eğitmek ve dağıtmak için API'ler sağlayan alt düzey kitaplıklardır.

TFLite derleme iş akışı

TensorFlow, bunu yapmak için iki yol sunar. Kendi özel model kodunuzu geliştirebilir veya TensorFlow Model Garden'da bulunan bir model uygulamasıyla başlayabilirsiniz.

Model Bahçesi

TensorFlow Model Garden, görme ve doğal dil işleme (NLP) için pek çok son teknoloji makine öğrenimi (ML) modelinin uygulanmasını sağlar. Bu modelleri standart veri kümelerinde hızlı bir şekilde yapılandırıp çalıştırmanızı sağlayacak iş akışı araçları da bulabilirsiniz. Model Bahçesi'ndeki makine öğrenimi modelleri tam kod içerir. Böylece kendi veri kümelerinizi kullanarak bunları test edebilir, eğitebilir veya yeniden eğitebilirsiniz.

İster iyi bilinen bir modelin performansını karşılaştırmak ister yeni yayınlanan araştırmanın sonuçlarını doğrulamak veya mevcut modellerin kapsamını genişletmek isteyin, Model Bahçesi makine öğrenimi hedeflerinize ulaşmanıza yardımcı olabilir.

Özel modeller

Kullanım alanınız Model Garden'daki modellerin desteklediğilerin dışındaysa özel eğitim kodunuzu geliştirmek için Keras gibi üst düzey bir kitaplık kullanabilirsiniz. TensorFlow ile ilgili temel bilgileri öğrenmek için TensorFlow kılavuzunu inceleyin. Örnekleri kullanmaya başlamak için uzman düzeyinde eğiticilere başlamaya yönelik işaretçiler içeren TensorFlow eğiticilerine genel bakış bölümüne göz atın.

Model değerlendirme

Modelinizi geliştirdikten sonra performansını değerlendirmeli ve son kullanıcı cihazlarında test etmelisiniz. TensorFlow bunu yapmanın birkaç yolunu sunar.

  • TensorBoard, makine öğrenimi iş akışı sırasında gereken ölçümleri ve görselleştirmeleri sağlayan bir araçtır. Kayıp ve doğruluk gibi deneme metriklerinin izlenmesini, model grafiğini görselleştirmeyi, yerleştirmeleri daha düşük bir boyuta yansıtmayı ve daha pek çok işlemi sağlar.
  • Android karşılaştırma uygulaması ve iOS karşılaştırma uygulaması gibi desteklenen her platform için karşılaştırma araçları mevcuttur. Önemli performans metrikleriyle ilgili istatistikleri ölçmek ve hesaplamak için bu araçları kullanın.

Model optimizasyonu

TensorFlow Lite modellerine özel kaynaklardaki sınırlamalar sayesinde model optimizasyonu, modelinizin iyi performans göstermesini ve daha az işlem kaynağı kullanmasını sağlamanıza yardımcı olabilir. Makine öğrenimi modeli performansı genellikle boyut ve çıkarım hızı ile doğruluk arasında bir dengedir. TensorFlow Lite şu anda niceleme, ayıklama ve kümeleme ile optimizasyonu desteklemektedir. Bu tekniklerle ilgili daha ayrıntılı bilgi için model optimizasyonu konusuna bakın. TensorFlow, bu teknikleri uygulayan bir API sağlayan Model optimizasyon araç seti de sağlamaktadır.

Sonraki adımlar