إنشاء نماذج LiteRT

تقدّم هذه الصفحة إرشادات حول إنشاء نماذج TensorFlow بهدف تحويلها إلى تنسيق نموذج LiteRT. إنّ نماذج تعلُّم الآلة التي تستخدمها مع LiteRT يتم إنشاؤها وتدريبها في الأصل باستخدام مكتبات وأدوات TensorFlow الأساسية. بعد إنشاء نموذج باستخدام TensorFlow الأساسي، يمكنك تحويله إلى تنسيق أصغر وأكثر كفاءة لنماذج تعلُّم الآلة يُعرف باسم نموذج LiteRT.

إذا كان لديك نموذج جاهز للتحويل، يمكنك الاطّلاع على صفحة نظرة عامة حول تحويل النماذج للحصول على إرشادات حول كيفية تحويل النموذج.

إنشاء النموذج

إذا كنت بصدد إنشاء نموذج مخصّص لحالة استخدام معيّنة، عليك البدء بتطوير نموذج TensorFlow وتدريبه أو توسيع نموذج حالي.

قيود تصميم النموذج

قبل بدء عملية تطوير النموذج، يجب أن تكون على دراية بالقيود المفروضة على نماذج LiteRT، وأن تصمّم النموذج مع مراعاة هذه القيود:

  • إمكانات حوسبة محدودة: مقارنةً بالخوادم المجهّزة بالكامل والتي تتضمّن وحدات معالجة مركزية متعددة وسعة ذاكرة كبيرة ومعالِجات متخصّصة، مثل وحدات معالجة الرسومات ووحدات معالجة الموتّرات، تكون الأجهزة الجوّالة وأجهزة الحوسبة الطرفية محدودة الإمكانات. وعلى الرغم من أنّها تتطوّر من حيث إمكانات الحوسبة وتوافق الأجهزة المتخصصة، لا يزال بإمكانك معالجة نماذج وبيانات محدودة نسبيًا باستخدامها.
  • حجم النماذج: يؤدي التعقيد العام للنموذج، بما في ذلك منطق المعالجة المسبقة للبيانات وعدد الطبقات في النموذج، إلى زيادة حجم النموذج في الذاكرة. قد يعمل نموذج كبير ببطء غير مقبول أو قد لا يتناسب ببساطة مع الذاكرة المتاحة لجهاز جوّال أو جهاز طرفي.
  • حجم البيانات: إنّ حجم بيانات الإدخال التي يمكن معالجتها بفعالية باستخدام نموذج تعلُّم آلة محدود على جهاز جوّال أو جهاز طرفي. قد لا تتوافق النماذج التي تستخدم مكتبات بيانات كبيرة، مثل مكتبات اللغة أو الصور أو مقاطع الفيديو، مع هذه الأجهزة، وقد تتطلّب حلولاً لتخزين البيانات والوصول إليها خارج الجهاز.
  • عمليات TensorFlow المتوافقة: تتوافق بيئات وقت التشغيل LiteRT مع مجموعة فرعية من عمليات نماذج تعلُّم الآلة مقارنةً بنماذج TensorFlow العادية. أثناء تطوير نموذج لاستخدامه مع LiteRT، عليك تتبُّع مدى توافق النموذج مع إمكانات بيئات وقت تشغيل LiteRT.

لمزيد من المعلومات حول إنشاء نماذج فعّالة ومتوافقة وعالية الأداء مع LiteRT، راجِع أفضل الممارسات المتعلقة بالأداء.

تطوير النموذج

لإنشاء نموذج LiteRT، عليك أولاً إنشاء نموذج باستخدام مكتبات TensorFlow الأساسية. مكتبات TensorFlow الأساسية هي مكتبات ذات مستوى منخفض توفّر واجهات برمجة تطبيقات لإنشاء نماذج تعلُّم الآلة وتدريبها ونشرها.

سير عمل إنشاء TFLite

توفّر TensorFlow طريقتَين لإجراء ذلك. يمكنك تطوير رمز نموذج مخصّص خاص بك أو البدء بتنفيذ نموذج متاح في Model Garden من TensorFlow.

Model Garden

توفّر TensorFlow Model Garden عمليات تنفيذ للعديد من نماذج تعلُّم الآلة (ML) الحديثة في مجالات الرؤية ومعالجة اللغات الطبيعية (NLP). ستجد أيضًا أدوات سير العمل التي تتيح لك ضبط هذه النماذج وتشغيلها بسرعة على مجموعات البيانات العادية. تتضمّن نماذج تعلُّم الآلة في Model Garden رمزًا برمجيًا كاملاً يتيح لك اختبارها أو تدريبها أو إعادة تدريبها باستخدام مجموعات البيانات الخاصة بك.

سواء كنت تتطلّع إلى قياس أداء نموذج معروف، أو التحقّق من نتائج بحث تم إصداره مؤخرًا، أو توسيع نطاق النماذج الحالية، يمكن أن يساعدك Model Garden في تحقيق أهدافك المتعلّقة بتعلُّم الآلة.

النماذج المخصّصة

إذا كانت حالة الاستخدام خارج نطاق الحالات التي تدعمها النماذج في Model Garden، يمكنك استخدام مكتبة رفيعة المستوى مثل Keras لتطوير رمز التدريب المخصّص. للتعرّف على أساسيات TensorFlow، راجِع دليل TensorFlow. للبدء في استخدام الأمثلة، راجِع نظرة عامة على البرامج التعليمية في TensorFlow التي تتضمّن مؤشرات إلى برامج تعليمية للمبتدئين والمحترفين.

تقييم النماذج

بعد تطوير النموذج، عليك تقييم أدائه واختباره على أجهزة المستخدمين النهائيين. توفّر TensorFlow عدة طرق لإجراء ذلك.

  • TensorBoard هي أداة لتوفير القياسات والرسومات البيانية اللازمة أثناء سير عمل تعلُّم الآلة. يتيح ذلك تتبُّع مقاييس التجربة، مثل معدّل الخطأ والدقة، وعرض الرسم البياني للنموذج، وعرض عمليات التضمين في مساحة أقل أبعادًا، وغير ذلك الكثير.
  • تتوفّر أدوات قياس الأداء لكل نظام أساسي متوافق، مثل تطبيق قياس الأداء على Android وتطبيق قياس الأداء على iOS. استخدِم هذه الأدوات لقياس الإحصاءات وحسابها لمقاييس الأداء المهمة.

تحسين النموذج

مع القيود المفروضة على الموارد الخاصة بنماذج TensorFlow Lite، يمكن أن يساعد تحسين النموذج في ضمان أدائه بشكل جيد واستخدام موارد حسابية أقل. عادةً ما يكون أداء نموذج تعلُّم الآلة متوازنًا بين حجم النموذج وسرعة الاستدلال من جهة ودقته من جهة أخرى. تتيح LiteRT حاليًا تحسين الأداء من خلال التكميم والتشذيب والتجميع. يمكنك الاطّلاع على موضوع تحسين النماذج للحصول على مزيد من التفاصيل حول هذه الأساليب. توفّر TensorFlow أيضًا مجموعة أدوات لتحسين النماذج توفّر واجهة برمجة تطبيقات تنفّذ هذه الأساليب.

الخطوات التالية