LiteRT मॉडल बनाएं

इस पेज पर, LiteRT मॉडल फ़ॉर्मैट में बदलने के लिए, TensorFlow मॉडल बनाने के बारे में दिशा-निर्देश दिए गए हैं. LiteRT के साथ इस्तेमाल किए जाने वाले मशीन लर्निंग (एमएल) मॉडल, मूल रूप से TensorFlow कोर लाइब्रेरी और टूल का इस्तेमाल करके बनाए और ट्रेन किए जाते हैं. TensorFlow Core का इस्तेमाल करके मॉडल बनाने के बाद, उसे छोटे और ज़्यादा असरदार एमएल मॉडल फ़ॉर्मैट में बदला जा सकता है. इसे LiteRT मॉडल कहा जाता है.

अगर आपके पास पहले से ही कोई मॉडल है, तो अपने मॉडल को बदलने के बारे में जानकारी पाने के लिए, मॉडल बदलने की खास जानकारी पेज देखें.

अपना मॉडल बनाना

अगर आपको अपने इस्तेमाल के उदाहरण के लिए कस्टम मॉडल बनाना है, तो आपको TensorFlow मॉडल को डेवलप और ट्रेन करना होगा या किसी मौजूदा मॉडल को एक्सटेंड करना होगा.

मॉडल डिज़ाइन से जुड़ी शर्तें

मॉडल डेवलपमेंट की प्रोसेस शुरू करने से पहले, आपको LiteRT मॉडल की सीमाओं के बारे में पता होना चाहिए. साथ ही, इन सीमाओं को ध्यान में रखकर अपना मॉडल बनाना चाहिए:

  • कंप्यूटिंग की सीमित क्षमताएं - मोबाइल और एज डिवाइस, पूरी तरह से लैस सर्वर की तुलना में बहुत ज़्यादा सीमित होते हैं. इन सर्वर में कई सीपीयू, ज़्यादा मेमोरी क्षमता, और जीपीयू और टीपीयू जैसे खास प्रोसेसर होते हैं. इनकी कंप्यूटिंग पावर और खास हार्डवेयर के साथ काम करने की क्षमता बढ़ रही है. हालांकि, अब भी इनके साथ प्रोसेस किए जा सकने वाले मॉडल और डेटा की संख्या सीमित है.
  • मॉडल का साइज़ - मॉडल की कुल जटिलता, मॉडल के इन-मेमोरी साइज़ को बढ़ाती है. इसमें डेटा प्री-प्रोसेसिंग लॉजिक और मॉडल में मौजूद लेयर की संख्या शामिल है. बड़ा मॉडल, मोबाइल या एज डिवाइस की उपलब्ध मेमोरी में फ़िट नहीं हो सकता. ऐसा भी हो सकता है कि वह बहुत धीरे चले.
  • डेटा का साइज़ - मोबाइल या एज डिवाइस पर, मशीन लर्निंग मॉडल के साथ असरदार तरीके से प्रोसेस किए जा सकने वाले इनपुट डेटा का साइज़ सीमित होता है. भाषा की लाइब्रेरी, इमेज लाइब्रेरी या वीडियो क्लिप लाइब्रेरी जैसी बड़ी डेटा लाइब्रेरी का इस्तेमाल करने वाले मॉडल, इन डिवाइसों पर काम नहीं कर सकते. इसके लिए, डिवाइस से बाहर स्टोरेज और ऐक्सेस के समाधानों की ज़रूरत पड़ सकती है.
  • TensorFlow की इन कार्रवाइयों के लिए यह सुविधा उपलब्ध है - LiteRT रनटाइम एनवायरमेंट, मशीन लर्निंग मॉडल की कुछ कार्रवाइयों के साथ काम करते हैं. हालांकि, यह संख्या, सामान्य TensorFlow मॉडल की तुलना में कम होती है. LiteRT के साथ इस्तेमाल करने के लिए मॉडल डेवलप करते समय, आपको यह ट्रैक करना चाहिए कि आपका मॉडल, LiteRT रनटाइम एनवायरमेंट की सुविधाओं के साथ काम करता है या नहीं.

LiteRT के लिए असरदार, साथ काम करने वाले, और बेहतर परफ़ॉर्मेंस वाले मॉडल बनाने के बारे में ज़्यादा जानने के लिए, परफ़ॉर्मेंस के सबसे सही तरीके देखें.

मॉडल डेवलपमेंट

LiteRT मॉडल बनाने के लिए, आपको पहले TensorFlow कोर लाइब्रेरी का इस्तेमाल करके एक मॉडल बनाना होगा. TensorFlow की कोर लाइब्रेरी, लोअर-लेवल लाइब्रेरी होती हैं. ये एमएल मॉडल बनाने, उन्हें ट्रेन करने, और डिप्लॉय करने के लिए एपीआई उपलब्ध कराती हैं.

TFLite बिल्ड वर्कफ़्लो

TensorFlow, ऐसा करने के लिए दो तरीके उपलब्ध कराता है. अपने हिसाब से मॉडल कोड बनाया जा सकता है. इसके अलावा, TensorFlow Model Garden में उपलब्ध मॉडल को लागू करके भी शुरुआत की जा सकती है.

मॉडल गार्डन

TensorFlow Model Garden, विज़न और नैचुरल लैंग्वेज प्रोसेसिंग (एनएलपी) के लिए, कई बेहतरीन मशीन लर्निंग (एमएल) मॉडल उपलब्ध कराता है. आपको वर्कफ़्लो टूल भी मिलेंगे. इनकी मदद से, स्टैंडर्ड डेटासेट पर उन मॉडल को तुरंत कॉन्फ़िगर और चलाया जा सकता है. Model Garden में मौजूद मशीन लर्निंग मॉडल में पूरा कोड शामिल होता है. इसलिए, अपने डेटासेट का इस्तेमाल करके, उन्हें टेस्ट, ट्रेन या फिर से ट्रेन किया जा सकता है.

चाहे आपको किसी जाने-माने मॉडल की परफ़ॉर्मेंस की तुलना करनी हो, हाल ही में रिलीज़ की गई रिसर्च के नतीजों की पुष्टि करनी हो या मौजूदा मॉडल को बेहतर बनाना हो, Model Garden आपको एमएल से जुड़े लक्ष्यों को हासिल करने में मदद कर सकता है.

कस्टम मॉडल

अगर आपका इस्तेमाल का तरीका, Model Garden में मौजूद मॉडल के साथ काम नहीं करता है, तो Keras जैसी हाई लेवल लाइब्रेरी का इस्तेमाल करके, कस्टम ट्रेनिंग कोड बनाया जा सकता है. TensorFlow की बुनियादी बातें जानने के लिए, TensorFlow गाइड देखें. उदाहरणों का इस्तेमाल शुरू करने के लिए, TensorFlow ट्यूटोरियल की खास जानकारी देखें. इसमें शुरुआती से लेकर विशेषज्ञ लेवल तक के ट्यूटोरियल के लिंक दिए गए हैं.

मॉडल का आकलन करना

मॉडल तैयार करने के बाद, आपको उसकी परफ़ॉर्मेंस का आकलन करना चाहिए. साथ ही, उसे असली उपयोगकर्ताओं के डिवाइसों पर टेस्ट करना चाहिए. TensorFlow में ऐसा करने के कुछ तरीके उपलब्ध हैं.

  • TensorBoard एक ऐसा टूल है जो मशीन लर्निंग वर्कफ़्लो के दौरान ज़रूरी मेज़रमेंट और विज़ुअलाइज़ेशन उपलब्ध कराता है. इसकी मदद से, एक्सपेरिमेंट की मेट्रिक को ट्रैक किया जा सकता है. जैसे, नुकसान और सटीक नतीजे. साथ ही, मॉडल ग्राफ़ को विज़ुअलाइज़ किया जा सकता है, एम्बेडिंग को कम डाइमेंशन वाले स्पेस में प्रोजेक्ट किया जा सकता है, और भी बहुत कुछ किया जा सकता है.
  • मानदंड तय करने वाले टूल, Android और iOS जैसे हर प्लैटफ़ॉर्म के लिए उपलब्ध हैं. इन टूल का इस्तेमाल करके, परफ़ॉर्मेंस से जुड़ी अहम मेट्रिक के आंकड़े मेज़र और कैलकुलेट करें.

मॉडल ऑप्टिमाइज़ेशन

TensorFlow Lite मॉडल के लिए खास तौर पर बनाए गए संसाधनों पर पाबंदियां लागू होती हैं. मॉडल ऑप्टिमाइज़ेशन की मदद से, यह पक्का किया जा सकता है कि आपका मॉडल अच्छी परफ़ॉर्म करे और कम कंप्यूट संसाधनों का इस्तेमाल करे. मशीन लर्निंग मॉडल की परफ़ॉर्मेंस, आम तौर पर अनुमान लगाने की स्पीड और साइज़ के साथ-साथ सटीक अनुमान लगाने के बीच का बैलेंस होती है. LiteRT फ़िलहाल, क्वानटाइज़ेशन, प्रूनिंग, और क्लस्टरिंग के ज़रिए ऑप्टिमाइज़ेशन की सुविधा देता है. इन तकनीकों के बारे में ज़्यादा जानने के लिए, मॉडल ऑप्टिमाइज़ेशन विषय देखें. TensorFlow, मॉडल ऑप्टिमाइज़ेशन टूलकिट भी उपलब्ध कराता है. यह एक ऐसा एपीआई उपलब्ध कराता है जो इन तकनीकों को लागू करता है.

अगले चरण