TensorFlow Lite هي مجموعة من الأدوات التي تتيح تعلُّم الآلة على الجهاز من خلال مساعدة المطوّرين على تشغيل نماذجهم على الأجهزة الجوّالة والمضمّنة والحافلة.
الميزات الرئيسية
- تم تحسين هذه الميزة لتكنولوجيا تعلُّم الآلة على الجهاز من خلال مراعاة 5 قيود رئيسية، وهي: وقت الاستجابة (عدم توفُّر بيانات ذهاب وعودة إلى الخادم) والخصوصية (عدم توفُّر بيانات شخصية يتم مغادرة الجهاز) والاتصال (اتصال بالإنترنت غير مطلوب) والحجم (انخفاض في حجم النموذج والحجم الثنائي) واستهلاك الطاقة (الاستنتاج الفعّال ونقص الاتصال بالشبكة).
- إتاحة أنظمة أساسية متعددة تشمل أجهزة Android وiOS وLinux ووحدات التحكّم الدقيقة.
- دعم اللغات المتنوعة، والذي يشمل Java وSwift وObjective-C وC++ وPython.
- أداء مرتفع مع تسريع الأجهزة وتحسين النماذج.
سير عمل التطوير
يستعرض الدليل التالي كل خطوة من خطوات سير العمل ويوفر روابط لمزيد من التعليمات:
1- إنشاء نموذج TensorFlow Lite
يتم تمثيل نموذج TensorFlow Lite بتنسيق محمول خاص يُعرف باسم FlatBuffers (الذي يتم تحديده من خلال امتداد الملف .tflite). ويوفّر ذلك مزايا عديدة مقارنةً بتنسيق نموذج المخزن المؤقت للبروتوكولات من TensorFlow مثل تقليل الحجم (البصمة الأساسية للرموز البرمجية الصغيرة) والاستدلال الأسرع (يتم الوصول إلى البيانات مباشرةً بدون خطوة إضافية للتحليل/الفكّ)، ما يمكّن TensorFlow Lite من العمل بكفاءة على الأجهزة ذات موارد الحوسبة والذاكرة المحدودة.
يمكن أن يشتمل نموذج TensorFlow Lite بشكل اختياري على بيانات وصفية تتضمّن وصف النموذج الذي يمكن للإنسان قراءته وبيانات يمكن للآلة قراءتها من أجل الإنشاء التلقائي لمسارات المعالجة قبل وبعد المعالجة أثناء الاستنتاج على الجهاز. راجِع مقالة إضافة البيانات الوصفية للاطّلاع على مزيد من التفاصيل.
يمكنك إنشاء نموذج TensorFlow Lite بالطرق التالية:
استخدام نموذج TensorFlow Lite الحالي: راجِع أمثلة TensorFlow Lite لاختيار نموذج حالي. يمكن أن تحتوي النماذج على بيانات وصفية أو لا تحتوي على بيانات وصفية.
تحويل نموذج TensorFlow إلى نموذج TensorFlow Lite: استخدِم محوّل TensorFlow Lite لتحويل نموذج TensorFlow إلى نموذج TensorFlow Lite. أثناء الإحالة الناجحة، يمكنك تطبيق تحسينات مثل تحديد الكمية لتقليل حجم النموذج ووقت الاستجابة بأقل قدر من الخسارة أو عدم فقدانها. لا تحتوي جميع النماذج تلقائيًا على بيانات وصفية
2. تنفيذ الاستنتاج
يشير الاستنتاج إلى عملية تنفيذ نموذج TensorFlow Lite على الجهاز لإجراء توقّعات استنادًا إلى بيانات الإدخال. يمكنك إجراء الاستنتاج بالطرق التالية بناءً على نوع النموذج:
الطُرز بدون بيانات وصفية: استخدِم واجهة برمجة التطبيقات TensorFlow Lite الترجمة الفورية. متوفّرة على منصّات ولغات متعدّدة، مثل Java وSwift وC++ وObjective-C وPython
النماذج التي تستخدم بيانات وصفية: يمكنك إنشاء مسارات استنتاج مخصّصة باستخدام TensorFlow Lite Support Library. على أجهزة Android، يمكن للمستخدمين إنشاء برامج تضمين للرموز تلقائيًا باستخدام ربط نماذج تعلُّم الآلة في Android أو TensorFlow Lite Code Generator. متوافقة فقط مع Java (Android) بينما تعمل Swift (iOS) وC++.
على أجهزة Android وiOS، يمكنك تحسين الأداء باستخدام تسريع الأجهزة. على أي من المنصتَين، يمكنك استخدام GPU تفويض، وعلى iOS يمكنك استخدام التفويض الأساسي لتعلُّم الآلة. لإتاحة إمكانية استخدام مسرّعات الأجهزة الجديدة، يمكنك تحديد المفوَّض الخاص بك.
البدء
يمكنك الرجوع إلى الأدلة التالية بناءً على جهازك المستهدف:
أجهزة Android وiOS: يمكنك الاطّلاع على دليل البدء السريع لنظام التشغيل Android والبدء السريع لأجهزة iOS.
نظام التشغيل Linux المُضمَّن: يمكنك الاطّلاع على دليل البدء السريع في Python للأجهزة المضمّنة مثل Raspberry Pi وأجهزة Coral التي تحتوي على تقنية Edge TPU أو تعليمات تصميم C++ حول ARM.
وحدات التحكّم الصغيرة: يمكنك الاطّلاع على مكتبة TensorFlow Lite لوحدات التحكّم الصغيرة الخاصة بهذه الوحدات
قيود فنية
- جميع نماذج TensorFlow لا يمكن تحويلها إلى نماذج TensorFlow Lite. راجِع القسم التوافق مع المشغِّل.