המסקנות של מודלים בעזרת מטא-נתונים יכולה להיות קלה כמה שורות קוד. מטא-נתונים של LiteRT מכילים תיאור עשיר של מה המודל עושה ואיך להשתמש בו. הוא יכול לספק מחוללי קוד יוצרת עבורכם את קוד ההסקה באופן אוטומטי, כמו למשל באמצעות התכונה של Studio ML Binding או LiteRT מחולל קוד ל-Android. אפשר להשתמש בו גם כדי להגדיר את צינור ההסקה בהתאמה אישית.
כלים וספריות
פלטפורמת LiteRT מספקת מגוון כלים וספריות להצגת מודעות של דרישות הפריסה:
יצירת ממשק מודלים באמצעות מחוללי קוד של Android
יש שתי דרכים ליצור באופן אוטומטי את קוד ה-wrapper הנדרש של Android למודל LiteRT עם מטא-נתונים:
נעשה שימוש בכלי קישור מודלים של למידת מכונה ב-Android Studio ב-Android Studio כדי לייבא מודל LiteRT באמצעות גרפי. Android Studio יקבע באופן אוטומטי את ההגדרות של בפרויקט וליצור מחלקות wrapper על סמך המטא-נתונים של המודל.
LiteRT Code Generator הוא קובץ הפעלה יוצר ממשק של מודל באופן אוטומטי על סמך המטא-נתונים. כרגע זה שתומך ב-Android עם Java. קוד ה-wrapper מבטל את הצורך באינטראקציה ישירות מול
ByteBuffer. במקום זאת, המפתחים יכולים להשתמש מודל LiteRT עם אובייקטים מוקלדים כמוBitmapו-Rect. משתמשי Android Studio יכולים גם לקבל גישה לתכונה 'יצירת קוד' דרך קישור ל-Android Studio ML.
פיתוח צינורות עיבוד נתונים מותאמים אישית להסקת מסקנות בעזרת ספריית התמיכה של LiteRT
ספריית התמיכה של LiteRT היא ספרייה שפועלת בפלטפורמות שונות שעוזר להתאים אישית את ממשק המודל ולפתח צינורות עיבוד נתונים להסקת מסקנות. הוא כולל מגוון שיטות לשימוש ומבני נתונים לביצוע לפני הפרסום עיבוד והמרת נתונים. הוא גם נועד להתאים להתנהגות של המודולים של TensorFlow, כמו TF.Image ו-TF.Text, שמבטיחות עקביות אימון להסקת מסקנות.
מודלים שעברו אימון מראש בעזרת מטא-נתונים
עיון במודלים של Kaggle כדי: להוריד מודלים שעברו אימון מראש עם מטא-נתונים גם למשימות של ראייה ממוחשבת וגם של משימות טקסט. וגם לראות אפשרויות שונות להצגה חזותית מטא-נתונים.
מאגר GitHub של LiteRT
נכנסים אל GitHub לתמיכה של LiteRT repo לדוגמאות נוספות ולמקורות נוספים