LiteRT মডেল তৈরি করুন

এই পৃষ্ঠাটি আপনার TensorFlow মডেলগুলিকে LiterRT মডেল ফর্ম্যাটে রূপান্তর করার উদ্দেশ্যে তৈরি করার জন্য নির্দেশিকা প্রদান করে। LiterRT-এর সাথে আপনি যে মেশিন লার্নিং (ML) মডেলগুলি ব্যবহার করেন তা মূলত TensorFlow কোর লাইব্রেরি এবং সরঞ্জামগুলি ব্যবহার করে তৈরি এবং প্রশিক্ষিত করা হয়। একবার আপনি TensorFlow কোর দিয়ে একটি মডেল তৈরি করলে, আপনি এটিকে LiterT মডেল নামে একটি ছোট, আরও দক্ষ ML মডেল ফর্ম্যাটে রূপান্তর করতে পারেন।

যদি আপনার কাছে ইতিমধ্যেই রূপান্তর করার জন্য একটি মডেল থাকে, তাহলে আপনার মডেল রূপান্তর করার নির্দেশিকা জানতে রূপান্তর মডেল ওভারভিউ পৃষ্ঠাটি দেখুন।

আপনার মডেল তৈরি করা

যদি আপনি আপনার নির্দিষ্ট ব্যবহারের ক্ষেত্রে একটি কাস্টম মডেল তৈরি করেন, তাহলে আপনার একটি টেনসরফ্লো মডেল তৈরি এবং প্রশিক্ষণ দিয়ে শুরু করা উচিত অথবা বিদ্যমান মডেলটি প্রসারিত করা উচিত।

মডেল ডিজাইনের সীমাবদ্ধতা

আপনার মডেল ডেভেলপমেন্ট প্রক্রিয়া শুরু করার আগে, আপনার LiterRT মডেলের সীমাবদ্ধতা সম্পর্কে সচেতন হওয়া উচিত এবং এই সীমাবদ্ধতাগুলি মাথায় রেখে আপনার মডেল তৈরি করা উচিত:

  • সীমিত কম্পিউটিং ক্ষমতা - একাধিক CPU, উচ্চ মেমোরি ক্ষমতা এবং GPU এবং TPU-এর মতো বিশেষায়িত প্রসেসর সহ সম্পূর্ণ সজ্জিত সার্ভারের তুলনায়, মোবাইল এবং এজ ডিভাইসগুলি অনেক বেশি সীমিত। যদিও তারা কম্পিউটিং শক্তি এবং বিশেষায়িত হার্ডওয়্যার সামঞ্জস্যের ক্ষেত্রে ক্রমবর্ধমান, তবুও আপনি যে মডেল এবং ডেটা দিয়ে কার্যকরভাবে প্রক্রিয়া করতে পারবেন তা এখনও তুলনামূলকভাবে সীমিত।
  • মডেলের আকার - একটি মডেলের সামগ্রিক জটিলতা, যার মধ্যে ডেটা প্রি-প্রসেসিং লজিক এবং মডেলের স্তরের সংখ্যা অন্তর্ভুক্ত, একটি মডেলের মেমোরির আকার বৃদ্ধি করে। একটি বড় মডেল অগ্রহণযোগ্যভাবে ধীর গতিতে চলতে পারে অথবা কেবল একটি মোবাইল বা এজ ডিভাইসের উপলব্ধ মেমোরিতে ফিট নাও হতে পারে।
  • ডেটার আকার - মেশিন লার্নিং মডেলের মাধ্যমে কার্যকরভাবে প্রক্রিয়াজাত করা যেতে পারে এমন ইনপুট ডেটার আকার মোবাইল বা এজ ডিভাইসে সীমিত। ভাষা লাইব্রেরি, চিত্র লাইব্রেরি, বা ভিডিও ক্লিপ লাইব্রেরির মতো বৃহৎ ডেটা লাইব্রেরি ব্যবহার করে এমন মডেলগুলি এই ডিভাইসগুলিতে ফিট নাও হতে পারে এবং ডিভাইসের বাইরে স্টোরেজ এবং অ্যাক্সেস সমাধানের প্রয়োজন হতে পারে।
  • সমর্থিত টেনসরফ্লো অপারেশন - LiterRT রানটাইম এনভায়রনমেন্টগুলি নিয়মিত টেনসরফ্লো মডেলের তুলনায় মেশিন লার্নিং মডেল অপারেশনের একটি উপসেট সমর্থন করে। LiterRT-এর সাথে ব্যবহারের জন্য একটি মডেল তৈরি করার সময়, আপনার LiterRT রানটাইম এনভায়রনমেন্টের ক্ষমতার সাথে আপনার মডেলের সামঞ্জস্যতা ট্র্যাক করা উচিত।

LiterRT-এর জন্য কার্যকর, সামঞ্জস্যপূর্ণ, উচ্চ কর্মক্ষমতা সম্পন্ন মডেল তৈরি সম্পর্কে আরও তথ্যের জন্য, কর্মক্ষমতা সর্বোত্তম অনুশীলন দেখুন।

মডেল উন্নয়ন

LiterRT মডেল তৈরি করতে, আপনাকে প্রথমে TensorFlow কোর লাইব্রেরি ব্যবহার করে একটি মডেল তৈরি করতে হবে। TensorFlow কোর লাইব্রেরি হল নিম্ন-স্তরের লাইব্রেরি যা ML মডেল তৈরি, প্রশিক্ষণ এবং স্থাপনের জন্য API প্রদান করে।

TFLite বিল্ড ওয়ার্কফ্লো

TensorFlow এটি করার জন্য দুটি পথ প্রদান করে। আপনি আপনার নিজস্ব কাস্টম মডেল কোড তৈরি করতে পারেন অথবা TensorFlow মডেল গার্ডেনে উপলব্ধ একটি মডেল বাস্তবায়ন দিয়ে শুরু করতে পারেন।

মডেল গার্ডেন

টেনসরফ্লো মডেল গার্ডেন ভিশন এবং ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP) এর জন্য অনেক অত্যাধুনিক মেশিন লার্নিং (ML) মডেলের বাস্তবায়ন প্রদান করে। আপনি স্ট্যান্ডার্ড ডেটাসেটে দ্রুত সেই মডেলগুলিকে কনফিগার এবং চালানোর জন্য ওয়ার্কফ্লো টুলও পাবেন। মডেল গার্ডেনের মেশিন লার্নিং মডেলগুলিতে সম্পূর্ণ কোড রয়েছে যাতে আপনি আপনার নিজস্ব ডেটাসেট ব্যবহার করে সেগুলি পরীক্ষা, প্রশিক্ষণ বা পুনরায় প্রশিক্ষণ দিতে পারেন।

আপনি যদি কোনও সুপরিচিত মডেলের জন্য বেঞ্চমার্ক পারফরম্যান্স খুঁজছেন, সম্প্রতি প্রকাশিত গবেষণার ফলাফল যাচাই করছেন, অথবা বিদ্যমান মডেলগুলিকে প্রসারিত করছেন, মডেল গার্ডেন আপনার এমএল লক্ষ্যগুলি অর্জনে সহায়তা করতে পারে।

কাস্টম মডেল

যদি আপনার ব্যবহারের ক্ষেত্রে মডেল গার্ডেনের মডেলগুলি দ্বারা সমর্থিত মডেলগুলির বাইরে থাকে, তাহলে আপনি আপনার কাস্টম প্রশিক্ষণ কোড তৈরি করতে Keras এর মতো একটি উচ্চ স্তরের লাইব্রেরি ব্যবহার করতে পারেন। TensorFlow এর মৌলিক বিষয়গুলি শিখতে, TensorFlow নির্দেশিকাটি দেখুন। উদাহরণ দিয়ে শুরু করতে, TensorFlow টিউটোরিয়ালের ওভারভিউ দেখুন যেখানে শুরু থেকে বিশেষজ্ঞ স্তরের টিউটোরিয়ালের নির্দেশিকা রয়েছে।

মডেল মূল্যায়ন

একবার আপনি আপনার মডেলটি তৈরি করার পরে, আপনার এটির কর্মক্ষমতা মূল্যায়ন করা উচিত এবং শেষ ব্যবহারকারীর ডিভাইসগুলিতে এটি পরীক্ষা করা উচিত। TensorFlow এটি করার কয়েকটি উপায় প্রদান করে।

  • টেনসরবোর্ড হল মেশিন লার্নিং ওয়ার্কফ্লো চলাকালীন প্রয়োজনীয় পরিমাপ এবং ভিজ্যুয়ালাইজেশন প্রদানের জন্য একটি টুল। এটি ক্ষতি এবং নির্ভুলতার মতো পরীক্ষামূলক মেট্রিক্স ট্র্যাক করা, মডেল গ্রাফের ভিজ্যুয়ালাইজেশন, নিম্ন মাত্রিক স্থানে এম্বেডিং প্রজেক্ট করা এবং আরও অনেক কিছু সক্ষম করে।
  • অ্যান্ড্রয়েড বেঞ্চমার্ক অ্যাপ এবং iOS বেঞ্চমার্ক অ্যাপের মতো প্রতিটি সমর্থিত প্ল্যাটফর্মের জন্য বেঞ্চমার্কিং টুল উপলব্ধ। গুরুত্বপূর্ণ পারফরম্যান্স মেট্রিক্সের পরিসংখ্যান পরিমাপ এবং গণনা করতে এই টুলগুলি ব্যবহার করুন।

মডেল অপ্টিমাইজেশন

TensorFlow Lite মডেলের জন্য নির্দিষ্ট রিসোর্সের সীমাবদ্ধতার কারণে, মডেল অপ্টিমাইজেশন আপনার মডেলের পারফরম্যান্স ভালোভাবে নিশ্চিত করতে সাহায্য করতে পারে এবং কম কম্পিউট রিসোর্স ব্যবহার করে। মেশিন লার্নিং মডেলের পারফরম্যান্স সাধারণত আকার এবং অনুমানের গতি বনাম নির্ভুলতার মধ্যে ভারসাম্য বজায় রাখে। LiteRT বর্তমানে কোয়ান্টাইজেশন, প্রুনিং এবং ক্লাস্টারিংয়ের মাধ্যমে অপ্টিমাইজেশন সমর্থন করে। এই কৌশলগুলি সম্পর্কে আরও বিস্তারিত জানার জন্য মডেল অপ্টিমাইজেশন বিষয় দেখুন। TensorFlow একটি মডেল অপ্টিমাইজেশন টুলকিটও প্রদান করে যা একটি API প্রদান করে যা এই কৌশলগুলি বাস্তবায়ন করে।

পরবর্তী পদক্ষেপ