Convertir des modèles TensorFlow

Cette page explique comment convertir un modèle TensorFlow en modèle LiteRT (un format FlatBuffer optimisé, identifié par l'extension de fichier .tflite) à l'aide du convertisseur LiteRT.

Workflow de conversion

Le diagramme ci-dessous illustre le workflow général de conversion de votre modèle :

Workflow du convertisseur TFLite

Figure 1. Workflow du convertisseur.

Vous pouvez convertir votre modèle à l'aide de l'une des options suivantes :

  1. API Python (recommandée) : vous permet d'intégrer la conversion dans votre pipeline de développement, d'appliquer des optimisations, d'ajouter des métadonnées et d'effectuer de nombreuses autres tâches qui simplifient le processus de conversion.
  2. Ligne de commande : cette option n'accepte que la conversion de modèles de base.

API Python

Code d'aide : pour en savoir plus sur l'API de conversion LiteRT, exécutez print(help(tf.lite.TFLiteConverter)).

Convertissez un modèle TensorFlow à l'aide de tf.lite.TFLiteConverter. Un modèle TensorFlow est stocké au format SavedModel et généré à l'aide des API tf.keras.* de haut niveau (un modèle Keras) ou des API tf.* de bas niveau (à partir desquelles vous générez des fonctions concrètes). Par conséquent, vous disposez des trois options suivantes (vous trouverez des exemples dans les sections suivantes) :

Convertir un modèle SavedModel (recommandé)

L'exemple suivant montre comment convertir un SavedModel en un modèle TensorFlow Lite.

import tensorflow as tf

# Convert the model
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) # path to the SavedModel directory
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Convertir un modèle Keras

L'exemple suivant montre comment convertir un modèle Keras en un modèle TensorFlow Lite.

import tensorflow as tf

# Create a model using high-level tf.keras.* APIs
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1]),
    tf.keras.layers.Dense(units=16, activation='relu'),
    tf.keras.layers.Dense(units=1)
])
model.compile(optimizer='sgd', loss='mean_squared_error') # compile the model
model.fit(x=[-1, 0, 1], y=[-3, -1, 1], epochs=5) # train the model
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_keras_dir")

# Convert the model.
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Convertir des fonctions concrètes

L'exemple suivant montre comment convertir des fonctions concrètes en un modèle LiteRT.

import tensorflow as tf

# Create a model using low-level tf.* APIs
class Squared(tf.Module):
  @tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.float32)])
  def __call__(self, x):
    return tf.square(x)
model = Squared()
# (ro run your model) result = Squared(5.0) # This prints "25.0"
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_tf_dir")
concrete_func = model.__call__.get_concrete_function()

# Convert the model.

converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func],
                                                            model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Autres fonctionnalités

  • Appliquer des optimisations. Une optimisation couramment utilisée est la quantification post-entraînement, qui permet de réduire davantage la latence et la taille du modèle avec une perte de justesse minimale.

  • Ajoutez des métadonnées pour créer plus facilement du code de wrapper spécifique à la plate-forme lorsque vous déployez des modèles sur les appareils.

Erreurs de conversion

Voici les erreurs de conversion fréquentes, accompagnées de leur solution :

Outil de ligne de commande

Si vous avez installé TensorFlow 2.x à partir de pip, utilisez la commande tflite_convert. Pour afficher tous les indicateurs disponibles, utilisez la commande suivante :

$ tflite_convert --help

`--output_file`. Type: string. Full path of the output file.
`--saved_model_dir`. Type: string. Full path to the SavedModel directory.
`--keras_model_file`. Type: string. Full path to the Keras H5 model file.
`--enable_v1_converter`. Type: bool. (default False) Enables the converter and flags used in TF 1.x instead of TF 2.x.

You are required to provide the `--output_file` flag and either the `--saved_model_dir` or `--keras_model_file` flag.

Si vous avez téléchargé la source TensorFlow 2.x et que vous souhaitez exécuter le convertisseur à partir de cette source sans créer ni installer le package, vous pouvez remplacer "tflite_convert" par "bazel run tensorflow/lite/python:tflite_convert --" dans la commande.

Convertir un SavedModel 

tflite_convert \
  --saved_model_dir=/tmp/mobilenet_saved_model \
  --output_file=/tmp/mobilenet.tflite

Convertir un modèle Keras H5 

tflite_convert \
  --keras_model_file=/tmp/mobilenet_keras_model.h5 \
  --output_file=/tmp/mobilenet.tflite