Esta página descreve como converter um modelo do TensorFlow
em um modelo do TensorFlow Lite (um formato
FlatBuffer otimizado identificado pela
extensão de arquivo .tflite
) usando o conversor do TensorFlow Lite.
Fluxo de trabalho de conversão
O diagrama abaixo ilustra o fluxo de trabalho de alto nível para converter seu modelo:
Figura 1. Fluxo de trabalho de conversão.
É possível converter o modelo usando uma das seguintes opções:
- API Python (recomendado): permite integrar a conversão ao pipeline de desenvolvimento, aplicar otimizações, adicionar metadados e muitas outras tarefas que simplificam o processo de conversão.
- Linha de comando: compatível somente com a conversão de modelo básica.
API Python
Código auxiliar: para saber mais sobre a API TensorFlow Lite
Conversor, execute print(help(tf.lite.TFLiteConverter))
.
Converta um modelo do TensorFlow usando
tf.lite.TFLiteConverter
.
Um modelo do TensorFlow é armazenado usando o formato SavedModel e é
gerado usando as APIs tf.keras.*
de alto nível (um modelo Keras) ou
as APIs tf.*
de baixo nível (de onde você gera funções concretas). Como
resultado, você tem estas três opções (veja os exemplos nas próximas
seções):
tf.lite.TFLiteConverter.from_saved_model()
(recomendado): converte um SavedModel.tf.lite.TFLiteConverter.from_keras_model()
: converte um modelo Keras.tf.lite.TFLiteConverter.from_concrete_functions()
: converte funções concretas.
Converter um SavedModel (recomendado)
O exemplo a seguir mostra como converter um SavedModel em um modelo do TensorFlow Lite.
import tensorflow as tf
# Convert the model
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) # path to the SavedModel directory
tflite_model = converter.convert()
# Save the model.
with open('model.tflite', 'wb') as f:
f.write(tflite_model)
Converter um modelo do Keras
O exemplo a seguir mostra como converter um modelo Keras em um modelo do TensorFlow Lite.
import tensorflow as tf
# Create a model using high-level tf.keras.* APIs
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(units=1, input_shape=[1]),
tf.keras.layers.Dense(units=16, activation='relu'),
tf.keras.layers.Dense(units=1)
])
model.compile(optimizer='sgd', loss='mean_squared_error') # compile the model
model.fit(x=[-1, 0, 1], y=[-3, -1, 1], epochs=5) # train the model
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_keras_dir")
# Convert the model.
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
# Save the model.
with open('model.tflite', 'wb') as f:
f.write(tflite_model)
Converter funções concretas
O exemplo a seguir mostra como converter funções concretas em um modelo do TensorFlow Lite.
import tensorflow as tf
# Create a model using low-level tf.* APIs
class Squared(tf.Module):
@tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.float32)])
def __call__(self, x):
return tf.square(x)
model = Squared()
# (ro run your model) result = Squared(5.0) # This prints "25.0"
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_tf_dir")
concrete_func = model.__call__.get_concrete_function()
# Convert the model.
converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func],
model)
tflite_model = converter.convert()
# Save the model.
with open('model.tflite', 'wb') as f:
f.write(tflite_model)
Outros recursos
Aplique otimizações. Uma otimização comum usada é a quantização pós-treinamento, que pode reduzir ainda mais a latência e o tamanho do modelo com perda mínima de precisão.
Adicione metadados, para facilitar a criação de um código do wrapper específico da plataforma durante a implantação de modelos em dispositivos.
Erros de conversão
Veja a seguir erros de conversão comuns e suas soluções:
Erro:
Some ops are not supported by the native TFLite runtime, you can enable TF kernels fallback using TF Select.
Solução: o erro ocorre porque o modelo tem operações do TF que não têm uma implementação do TFLite correspondente. É possível resolver isso usando a operação do TF no modelo do TFLite (recomendado). Se você quiser gerar um modelo somente com operações do TFLite, adicione uma solicitação para a operação do TFLite ausente no problema 21526 do GitHub (deixe um comentário caso sua solicitação ainda não tenha sido mencionada) ou crie a operação do TFLite por conta própria.
Erro:
.. is neither a custom op nor a flex op
Solução: se a operação do TF for:
Compatível com o TF: o erro ocorre porque a operação do TF não está na lista de permissões (uma lista completa de operações do TF com suporte ao TFLite). Você pode resolver isso da seguinte maneira:
Incompatível com o TF: o erro ocorre porque o TFLite não reconhece o operador do TF personalizado definido por você. Você pode resolver isso da seguinte maneira:
- Crie a operação do TF.
- Converta o modelo do TF para um modelo do TFLite.
- Crie a operação do TFLite e execute a inferência vinculando-a ao ambiente de execução do TFLite.
Ferramenta de linha de comando
Se você
instalou o TensorFlow 2.x pelo pip, use
o comando tflite_convert
. Para visualizar todas as sinalizações disponíveis, use o seguinte comando:
$ tflite_convert --help
`--output_file`. Type: string. Full path of the output file.
`--saved_model_dir`. Type: string. Full path to the SavedModel directory.
`--keras_model_file`. Type: string. Full path to the Keras H5 model file.
`--enable_v1_converter`. Type: bool. (default False) Enables the converter and flags used in TF 1.x instead of TF 2.x.
You are required to provide the `--output_file` flag and either the `--saved_model_dir` or `--keras_model_file` flag.
Se você tiver a
origem do TensorFlow 2.x
descarregada e quiser executar o conversor dessa origem sem criar e
instalar o pacote,
substitua "tflite_convert
" por
"bazel run tensorflow/lite/python:tflite_convert --
" no comando.
Como converter um SavedModel
tflite_convert \
--saved_model_dir=/tmp/mobilenet_saved_model \
--output_file=/tmp/mobilenet.tflite
Converter um modelo do Keras H5
tflite_convert \
--keras_model_file=/tmp/mobilenet_keras_model.h5 \
--output_file=/tmp/mobilenet.tflite