ลดขนาดไบนารี LiteRT

ภาพรวม

เมื่อทำให้โมเดลสำหรับแอปพลิเคชันแมชชีนเลิร์นนิง (ODML) ในอุปกรณ์ใช้งานได้ คุณจะต้องระวังเรื่องหน่วยความจำที่จำกัด บนอุปกรณ์เคลื่อนที่ ขนาดไบนารีของโมเดลสัมพันธ์กับจำนวนการดำเนินการที่ใช้ในการแสดงผล โมเดล LiteRT ช่วยให้คุณสามารถลดขนาดไบนารีของโมเดลโดยใช้ บิลด์ที่เลือกได้ บิลด์เฉพาะส่วนจะข้ามการดำเนินการที่ไม่ได้ใช้ในชุดโมเดลและ สร้างไลบรารีขนาดกะทัดรัดที่มีเพียงรันไทม์และเคอร์เนล Op สำหรับ โมเดลที่จะให้แสดงบนอุปกรณ์เคลื่อนที่

บิลด์ที่เลือกมีผลกับไลบรารีการดำเนินการ 3 รายการต่อไปนี้

  1. ไลบรารี Ops ในตัว Lite
  2. การดำเนินการที่กำหนดเองแบบ LiteRT
  3. เลือกไลบรารี TensorFlow ของ TensorFlow

ตารางด้านล่างแสดงผลกระทบของบิลด์ที่เลือกสำหรับการใช้งานทั่วไป กรณี:

ชื่อแบบจำลอง โดเมน สถาปัตยกรรมเป้าหมาย ขนาดไฟล์ AAR
Mobilenet_1.0_224(float) การจัดประเภทรูปภาพ Armeabi-V7a tensorflow-lite.aar (296,635 ไบต์)
ARM64-V8a tensorflow-lite.aar (382,892 ไบต์)
เครื่องเทศ การแยกระดับเสียงสูงต่ำ Armeabi-V7a tensorflow-lite.aar (375,813 ไบต์)
tensorflow-lite-select-tf-ops.aar (1,676,380 ไบต์)
ARM64-V8a tensorflow-lite.aar (421,826 ไบต์)
tensorflow-lite-select-tf-ops.aar (2,298,630 ไบต์)
i3d-kinetics-400 การจัดประเภทวิดีโอ Armeabi-V7a tensorflow-lite.aar (240,085 ไบต์)
tensorflow-lite-select-tf-ops.aar (1,708,597 ไบต์)
ARM64-V8a tensorflow-lite.aar (273,713 ไบต์)
tensorflow-lite-select-tf-ops.aar (2,339,697 ไบต์)

เลือกสร้าง LiteRT ด้วย Bazel

ส่วนนี้จะถือว่าคุณได้ดาวน์โหลดซอร์สโค้ด TensorFlow และตั้งค่า พัฒนาท้องถิ่น สภาพแวดล้อม เป็น Bazel

สร้างไฟล์ AAR สำหรับโปรเจ็กต์ Android

คุณสามารถสร้าง LiteRT AAR ที่กำหนดเองได้โดยการระบุเส้นทางไฟล์โมเดล ดังนี้

sh tensorflow/lite/tools/build_aar.sh \
  --input_models=/a/b/model_one.tflite,/c/d/model_two.tflite \
  --target_archs=x86,x86_64,arm64-v8a,armeabi-v7a

คำสั่งข้างต้นจะสร้างไฟล์ AAR bazel-bin/tmp/tensorflow-lite.aar สำหรับ LiteRT ในตัวและการดำเนินการที่กำหนดเอง และจะสร้าง Aar หรือไม่ก็ได้ ไฟล์ bazel-bin/tmp/tensorflow-lite-select-tf-ops.aar หากโมเดลของคุณมี เลือก TensorFlow Ops โปรดทราบว่าวิธีนี้จะสร้าง "ไขมัน" AAR ที่มี สถาปัตยกรรม หากคุณไม่ต้องการทั้งหมด ให้ใช้เซ็ตย่อยที่เหมาะกับ สภาพแวดล้อมของการทำให้ใช้งานได้

สร้างด้วย Ops ที่กำหนดเอง

หากคุณได้พัฒนาโมเดล LiteRT โดยใช้การดำเนินการที่กำหนดเอง คุณสามารถสร้างโมเดลเหล่านั้น ด้วยการเพิ่มแฟล็กต่อไปนี้ในคำสั่งบิลด์

sh tensorflow/lite/tools/build_aar.sh \
  --input_models=/a/b/model_one.tflite,/c/d/model_two.tflite \
  --target_archs=x86,x86_64,arm64-v8a,armeabi-v7a \
  --tflite_custom_ops_srcs=/e/f/file1.cc,/g/h/file2.h \
  --tflite_custom_ops_deps=dep1,dep2

แฟล็ก tflite_custom_ops_srcs มีไฟล์แหล่งที่มาของการดำเนินการที่กำหนดเองและ แฟล็ก tflite_custom_ops_deps มีทรัพยากร Dependency เพื่อสร้างแหล่งที่มาดังกล่าว โปรดทราบว่าทรัพยากร Dependency เหล่านี้ต้องอยู่ในที่เก็บ TensorFlow

การใช้งานขั้นสูง: กฎ Bazel ที่กำหนดเอง

หากโปรเจ็กต์ของคุณใช้ Bazel และคุณต้องการกำหนด TFLite ที่กำหนดเอง สำหรับชุดโมเดลที่ระบุ คุณสามารถกำหนดกฎต่อไปนี้ใน ที่เก็บโปรเจ็กต์:

สำหรับโมเดลที่มี Ops ในตัวเท่านั้น

load(
    "@org_tensorflow//tensorflow/lite:build_def.bzl",
    "tflite_custom_android_library",
    "tflite_custom_c_library",
    "tflite_custom_cc_library",
)

# A selectively built TFLite Android library.
tflite_custom_android_library(
    name = "selectively_built_android_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# A selectively built TFLite C library.
tflite_custom_c_library(
    name = "selectively_built_c_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# A selectively built TFLite C++ library.
tflite_custom_cc_library(
    name = "selectively_built_cc_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

สำหรับรุ่นที่มีการเลือกการดำเนินการของ TF

load(
    "@org_tensorflow//tensorflow/lite/delegates/flex:build_def.bzl",
    "tflite_flex_android_library",
    "tflite_flex_cc_library",
)

# A Select TF ops enabled selectively built TFLite Android library.
tflite_flex_android_library(
    name = "selective_built_tflite_flex_android_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# A Select TF ops enabled selectively built TFLite C++ library.
tflite_flex_cc_library(
    name = "selective_built_tflite_flex_cc_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

การใช้งานขั้นสูง: สร้างไลบรารีที่แชร์ของ C/C++ ที่กำหนดเอง

หากคุณต้องการสร้างออบเจ็กต์ที่แชร์ TFLite C/C++ ที่กำหนดเองเพื่อ สำหรับรูปแบบดังกล่าว คุณสามารถทำตามขั้นตอนด้านล่างนี้

สร้างไฟล์ BUILD ชั่วคราวโดยเรียกใช้คำสั่งต่อไปนี้ที่ราก ของซอร์สโค้ด TensorFlow

mkdir -p tmp && touch tmp/BUILD

การสร้างออบเจ็กต์ที่แชร์ C ที่กำหนดเอง

หากคุณต้องการสร้างออบเจ็กต์ที่ใช้ร่วมกันของ TFLite C ที่กำหนดเอง ให้เพิ่มรายการต่อไปนี้ลงใน tmp/BUILD ไฟล์:

load(
    "//tensorflow/lite:build_def.bzl",
    "tflite_custom_c_library",
    "tflite_cc_shared_object",
)

tflite_custom_c_library(
    name = "selectively_built_c_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# Generates a platform-specific shared library containing the LiteRT C
# API implementation as define in `c_api.h`. The exact output library name
# is platform dependent:
#   - Linux/Android: `libtensorflowlite_c.so`
#   - Mac: `libtensorflowlite_c.dylib`
#   - Windows: `tensorflowlite_c.dll`
tflite_cc_shared_object(
    name = "tensorflowlite_c",
    linkopts = select({
        "//tensorflow:ios": [
            "-Wl,-exported_symbols_list,$(location //tensorflow/lite/c:exported_symbols.lds)",
        ],
        "//tensorflow:macos": [
            "-Wl,-exported_symbols_list,$(location //tensorflow/lite/c:exported_symbols.lds)",
        ],
        "//tensorflow:windows": [],
        "//conditions:default": [
            "-z defs",
            "-Wl,--version-script,$(location //tensorflow/lite/c:version_script.lds)",
        ],
    }),
    per_os_targets = True,
    deps = [
        ":selectively_built_c_lib",
        "//tensorflow/lite/c:exported_symbols.lds",
        "//tensorflow/lite/c:version_script.lds",
    ],
)

เป้าหมายที่เพิ่มเข้ามาใหม่สามารถสร้างได้ดังนี้

bazel build -c opt --cxxopt=--std=c++17 \
  //tmp:tensorflowlite_c

และสำหรับ Android (แทนที่ android_arm ด้วย android_arm64 สำหรับ 64 บิต):

bazel build -c opt --cxxopt=--std=c++17 --config=android_arm \
  //tmp:tensorflowlite_c

การสร้างออบเจ็กต์ที่แชร์ C++ ที่กำหนดเอง

หากคุณต้องการสร้างอ็อบเจกต์ที่ใช้ร่วมกันของ TFLite C++ ที่กำหนดเอง ให้เพิ่มรายการต่อไปนี้ ลงใน tmp/BUILD ไฟล์:

load(
    "//tensorflow/lite:build_def.bzl",
    "tflite_custom_cc_library",
    "tflite_cc_shared_object",
)

tflite_custom_cc_library(
    name = "selectively_built_cc_lib",
    models = [
        ":model_one.tflite",
        ":model_two.tflite",
    ],
)

# Shared lib target for convenience, pulls in the core runtime and builtin ops.
# Note: This target is not yet finalized, and the exact set of exported (C/C++)
# APIs is subject to change. The output library name is platform dependent:
#   - Linux/Android: `libtensorflowlite.so`
#   - Mac: `libtensorflowlite.dylib`
#   - Windows: `tensorflowlite.dll`
tflite_cc_shared_object(
    name = "tensorflowlite",
    # Until we have more granular symbol export for the C++ API on Windows,
    # export all symbols.
    features = ["windows_export_all_symbols"],
    linkopts = select({
        "//tensorflow:macos": [
            "-Wl,-exported_symbols_list,$(location //tensorflow/lite:tflite_exported_symbols.lds)",
        ],
        "//tensorflow:windows": [],
        "//conditions:default": [
            "-Wl,-z,defs",
            "-Wl,--version-script,$(location //tensorflow/lite:tflite_version_script.lds)",
        ],
    }),
    per_os_targets = True,
    deps = [
        ":selectively_built_cc_lib",
        "//tensorflow/lite:tflite_exported_symbols.lds",
        "//tensorflow/lite:tflite_version_script.lds",
    ],
)

เป้าหมายที่เพิ่มเข้ามาใหม่สามารถสร้างได้ดังนี้

bazel build -c opt  --cxxopt=--std=c++17 \
  //tmp:tensorflowlite

และสำหรับ Android (แทนที่ android_arm ด้วย android_arm64 สำหรับ 64 บิต):

bazel build -c opt --cxxopt=--std=c++17 --config=android_arm \
  //tmp:tensorflowlite

สำหรับโมเดลที่มีการปฏิบัติการ เลือก TF คุณต้องสร้างข้อมูลต่อไปนี้ด้วย ไลบรารีที่ใช้ร่วมกัน รวมทั้ง:

load(
    "@org_tensorflow//tensorflow/lite/delegates/flex:build_def.bzl",
    "tflite_flex_shared_library"
)

# Shared lib target for convenience, pulls in the standard set of TensorFlow
# ops and kernels. The output library name is platform dependent:
#   - Linux/Android: `libtensorflowlite_flex.so`
#   - Mac: `libtensorflowlite_flex.dylib`
#   - Windows: `libtensorflowlite_flex.dll`
tflite_flex_shared_library(
  name = "tensorflowlite_flex",
  models = [
      ":model_one.tflite",
      ":model_two.tflite",
  ],
)

เป้าหมายที่เพิ่มเข้ามาใหม่สามารถสร้างได้ดังนี้

bazel build -c opt --cxxopt='--std=c++17' \
      --config=monolithic \
      --host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
      //tmp:tensorflowlite_flex

และสำหรับ Android (แทนที่ android_arm ด้วย android_arm64 สำหรับ 64 บิต):

bazel build -c opt --cxxopt='--std=c++17' \
      --config=android_arm \
      --config=monolithic \
      --host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
      //tmp:tensorflowlite_flex

เลือกสร้าง LiteRT ด้วย Docker

ส่วนนี้จะถือว่าคุณได้ติดตั้ง Docker ในเครื่องของคุณและ ดาวน์โหลด Dockerfile LiteRT แล้ว ที่นี่

หลังจากดาวน์โหลดไฟล์ Dockerfile ข้างต้นแล้ว คุณสามารถสร้างอิมเมจ Docker ได้โดย การวิ่ง:

docker build . -t tflite-builder -f tflite-android.Dockerfile

สร้างไฟล์ AAR สำหรับโปรเจ็กต์ Android

ดาวน์โหลดสคริปต์สำหรับการสร้างด้วย Docker โดยเรียกใช้

curl -o build_aar_with_docker.sh \
  https://raw.githubusercontent.com/tensorflow/tensorflow/master/tensorflow/lite/tools/build_aar_with_docker.sh &&
chmod +x build_aar_with_docker.sh

จากนั้นคุณจะสร้าง LiteRT AAR ที่กำหนดเองได้โดยส่งไฟล์โมเดล เส้นทางดังต่อไปนี้

sh build_aar_with_docker.sh \
  --input_models=/a/b/model_one.tflite,/c/d/model_two.tflite \
  --target_archs=x86,x86_64,arm64-v8a,armeabi-v7a \
  --checkpoint=master \
  [--cache_dir=<path to cache directory>]

แฟล็ก checkpoint คือคอมมิต สาขา หรือแท็กของที่เก็บ TensorFlow ที่ ต้องการการชำระเงินก่อนสร้างไลบรารี โดยค่าเริ่มต้นจะเป็นเวอร์ชันล่าสุด ปล่อย Branch คำสั่งข้างต้นจะสร้างไฟล์ AAR tensorflow-lite.aar สำหรับ LiteRT ในตัวและการดำเนินการที่กำหนดเอง รวมถึงตัวเลือก ไฟล์ AAR tensorflow-lite-select-tf-ops.aar สำหรับการดำเนินการของ Select TensorFlow ใน ไดเรกทอรีปัจจุบันของคุณ

--cache_dir จะระบุไดเรกทอรีของแคช หากไม่มีการกำหนดไว้ สคริปต์จะ สร้างไดเรกทอรีชื่อ bazel-build-cache ภายใต้ไดเรกทอรีการทำงานปัจจุบันสำหรับ การแคช

เพิ่มไฟล์ AAR ลงในโปรเจ็กต์

เพิ่มไฟล์ AAR โดยนำเข้า AAR ลงใน โปรเจ็กต์ หรือโดยการเผยแพร่ AAR ที่กำหนดเองไปยัง Maven ในพื้นที่ของคุณ ที่เก็บได้ หมายเหตุ คุณต้องเพิ่มไฟล์ AAR สำหรับ tensorflow-lite-select-tf-ops.aar เป็น หากคุณสร้างขึ้นเอง

บิลด์ที่เลือกสำหรับ iOS

โปรดดูส่วนการสร้างท้องถิ่นเพื่อตั้งค่า สร้างสภาพแวดล้อมของบิลด์และกำหนดค่าพื้นที่ทำงาน TensorFlow จากนั้นทำตาม คู่มือการใช้ฟีเจอร์เฉพาะ สคริปต์บิลด์สำหรับ iOS