LiteRT modelleri oluşturma

Bu sayfada, TensorFlow modellerinizi LiteRT model biçimine dönüştürme amacıyla oluşturma hakkında rehberlik sağlanmaktadır. LiteRT ile kullandığınız makine öğrenimi (ML) modelleri, TensorFlow temel kitaplıkları ve araçları kullanılarak oluşturulup eğitilir. TensorFlow Core ile bir model oluşturduktan sonra bu modeli LiteRT modeli adı verilen daha küçük ve daha verimli bir makine öğrenimi modeli biçimine dönüştürebilirsiniz.

Dönüştürülecek bir modeliniz varsa modelinizi dönüştürmeyle ilgili yönergeler için Modelleri dönüştürmeye genel bakış sayfasını inceleyin.

Modelinizi oluşturma

Belirli kullanım alanınız için özel bir model oluşturuyorsanız TensorFlow modeli geliştirip eğiterek veya mevcut bir modeli genişleterek başlamanız gerekir.

Model tasarım kısıtlamaları

Model geliştirme sürecinize başlamadan önce LiteRT modellerinin kısıtlamalarını bilmeli ve modelinizi bu kısıtlamaları göz önünde bulundurarak oluşturmalısınız:

  • Sınırlı işlem yetenekleri: Birden fazla CPU, yüksek bellek kapasitesi ve GPU ile TPU gibi özel işlemcilerle donatılmış sunuculara kıyasla mobil ve uç cihazlar çok daha sınırlıdır. Bilgi işlem gücü ve özel donanım uyumluluğu açısından gelişiyor olsalar da, bu modellerle etkili bir şekilde işleyebileceğiniz veriler ve modeller hâlâ nispeten sınırlıdır.
  • Model boyutu: Veri ön işleme mantığı ve modeldeki katman sayısı da dahil olmak üzere modelin genel karmaşıklığı, modelin bellek içi boyutunu artırır. Büyük bir model kabul edilemeyecek kadar yavaş çalışabilir veya mobil ya da sınır cihazın kullanılabilir belleğine sığmayabilir.
  • Veri boyutu: Bir makine öğrenimi modeliyle etkili bir şekilde işlenebilecek giriş verilerinin boyutu, mobil veya uç cihazlarda sınırlıdır. Dil kitaplıkları, resim kitaplıkları veya video klip kitaplıkları gibi büyük veri kitaplıklarını kullanan modeller bu cihazlara sığmayabilir ve cihaz dışı depolama ile erişim çözümleri gerektirebilir.
  • Desteklenen TensorFlow işlemleri: LiteRT çalışma zamanı ortamları, normal TensorFlow modellerine kıyasla makine öğrenimi modeli işlemlerinin bir alt kümesini destekler. LiteRT ile kullanılacak bir model geliştirirken modelinizin LiteRT çalışma zamanı ortamlarının özellikleriyle uyumluluğunu takip etmeniz gerekir.

LiteRT için etkili, uyumlu ve yüksek performanslı modeller oluşturma hakkında daha fazla bilgi için Performansla ilgili en iyi uygulamalar başlıklı makaleyi inceleyin.

Model geliştirme

LiteRT modeli oluşturmak için önce TensorFlow temel kitaplıklarını kullanarak bir model oluşturmanız gerekir. TensorFlow temel kitaplıkları, ML modelleri oluşturmak, eğitmek ve dağıtmak için API'ler sağlayan alt düzey kitaplıklardır.

TFLite derleme iş akışı

TensorFlow, bu işlemi yapmanın iki yolunu sunar. Kendi özel model kodunuzu geliştirebilir veya TensorFlow Model Garden'da bulunan bir model uygulamasıyla başlayabilirsiniz.

Model Garden

TensorFlow Model Garden, bilgisayar görüşü ve doğal dil işleme (NLP) için birçok son teknoloji makine öğrenimi (ML) modelinin uygulamalarını sunar. Ayrıca, bu modelleri standart veri kümelerinde hızlıca yapılandırmanıza ve çalıştırmanıza olanak tanıyan iş akışı araçları da bulabilirsiniz. Model Garden'daki makine öğrenimi modelleri, kendi veri kümelerinizi kullanarak test edebilmeniz, eğitebilmeniz veya yeniden eğitebilmeniz için tam kod içerir.

İster iyi bilinen bir modelin performansını karşılaştırmak, ister yeni yayınlanan araştırmaların sonuçlarını doğrulamak, ister mevcut modelleri genişletmek isteyin, Model Bahçesi ML hedeflerinize ulaşmanıza yardımcı olabilir.

Özel modeller

Kullanım alanınız Model Garden'daki modellerin desteklediği alanların dışındaysa özel eğitim kodunuzu geliştirmek için Keras gibi üst düzey bir kitaplık kullanabilirsiniz. TensorFlow'un temellerini öğrenmek için TensorFlow kılavuzuna bakın. Örneklerle çalışmaya başlamak için TensorFlow eğitimlerine genel bakış başlıklı makaleye göz atın. Bu makalede, başlangıç seviyesinden uzman seviyesine kadar eğitimlere yönlendiren bağlantılar yer almaktadır.

Model değerlendirmesi

Modelinizi geliştirdikten sonra performansını değerlendirmeniz ve son kullanıcı cihazlarında test etmeniz gerekir. TensorFlow, bunu yapmanın birkaç yolunu sunar.

  • TensorBoard, makine öğrenimi iş akışı sırasında gereken ölçümleri ve görselleştirmeleri sağlayan bir araçtır. Bu araç; kayıp ve doğruluk gibi deneme metriklerini izleme, model grafiğini görselleştirme, yerleştirmeleri daha düşük boyutlu bir alana yansıtma gibi birçok işlemi yapmanıza olanak tanır.
  • Android karşılaştırma uygulaması ve iOS karşılaştırma uygulaması gibi desteklenen her platform için karşılaştırma araçları mevcuttur. Önemli performans metrikleriyle ilgili istatistikleri ölçmek ve hesaplamak için bu araçları kullanın.

Model optimizasyonu

TensorFlow Lite modellerine özgü kaynaklarla ilgili kısıtlamalar nedeniyle model optimizasyonu, modelinizin iyi performans göstermesini ve daha az işlem kaynağı kullanmasını sağlayabilir. Makine öğrenimi modeli performansı genellikle çıkarım boyutu ve hızı ile doğruluk arasında bir denge kurmayı gerektirir. LiteRT şu anda nicelendirme, budama ve kümeleme yoluyla optimizasyonu desteklemektedir. Bu teknikler hakkında daha fazla bilgi için model optimizasyonu konusuna bakın. TensorFlow, bu teknikleri uygulayan bir API sağlayan Model optimizasyon araç seti de sunar.

Sonraki adımlar