Die TensorFlow Lite-Aufgabenbibliothek bietet vordefinierte C++-, Android- und iOS-APIs auf derselben Infrastruktur aufbauen, TensorFlow Sie können die Task API-Infrastruktur erweitern, um benutzerdefinierte APIs zu erstellen. wenn Ihr Modell von vorhandenen Aufgabenbibliotheken nicht unterstützt wird.
Übersicht
Die Task-API-Infrastruktur hat eine zweischichtige Struktur: die untere C++-Ebene. Durch die Kapselung der TFLite-Laufzeit und der obersten Java/ObjC-Schicht, die kommuniziert mit der C++-Schicht über JNI oder Wrapper.
Die Implementierung der gesamten TensorFlow-Logik ausschließlich in C++ spart Kosten, maximiert und vereinfacht den gesamten Workflow plattformübergreifend.
Erweitern Sie zum Erstellen einer Task-Klasse die BaseTaskApi zum Bereitstellen der Konvertierungslogik zwischen der TFLite-Modellschnittstelle und der Task API und erstellen Sie dann mit den Java-/ObjC-Dienstprogrammen die entsprechenden APIs. Mit Wenn alle TensorFlow-Details ausgeblendet sind, können Sie das TFLite-Modell in Ihren Apps bereitstellen. ganz ohne ML-Kenntnisse.
TensorFlow Lite bietet einige vorkonfigurierte APIs für die gängigsten Vision- und NLP-Aufgaben. Sie können eigene APIs für andere Aufgaben in der Task-API-Infrastruktur nutzen.
Eigene API mit der Task API-Infrastruktur erstellen
C++-API
Alle TFLite-Details sind in der C++ API implementiert. Erstellen Sie ein API-Objekt durch eine der Factory-Funktionen verwenden und durch Aufrufen von Funktionen Modellergebnisse die in der Benutzeroberfläche definiert wurden.
Verwendungsbeispiel
Hier ist ein Beispiel mit der C++-
BertQuestionAnswerer
für
MobileBert:
char kBertModelPath[] = "path/to/model.tflite";
// Create the API from a model file
std::unique_ptr<BertQuestionAnswerer> question_answerer =
BertQuestionAnswerer::CreateFromFile(kBertModelPath);
char kContext[] = ...; // context of a question to be answered
char kQuestion[] = ...; // question to be answered
// ask a question
std::vector<QaAnswer> answers = question_answerer.Answer(kContext, kQuestion);
// answers[0].text is the best answer
API erstellen
Um ein API-Objekt zu erstellen, müssen Sie folgende Informationen bereitstellen, indem Sie
BaseTaskApi
API-E/A bestimmen: Ihre API sollte eine ähnliche Ein-/Ausgabe bereitstellen. auf verschiedenen Plattformen. z.B. Für
BertQuestionAnswerer
werden zwei Strings(std::string& context, std::string& question)
als Eingabe und gibt einen Wert aus Vektor der möglichen Antwort und der Wahrscheinlichkeiten alsstd::vector<QaAnswer>
. Dieses werden die entsprechenden Typen imBaseTaskApi
-Element Vorlagenparameter. Mit den angegebenen VorlagenparameternBaseTaskApi::Infer
die richtigen Eingabe-/Ausgabetypen hat. Diese Funktion kann direkt von API-Clients aufgerufen, aber es empfiehlt sich, sie in Eine modellspezifische Funktion, in diesem FallBertQuestionAnswerer::Answer
.class BertQuestionAnswerer : public BaseTaskApi< std::vector<QaAnswer>, // OutputType const std::string&, const std::string& // InputTypes > { // Model specific function delegating calls to BaseTaskApi::Infer std::vector<QaAnswer> Answer(const std::string& context, const std::string& question) { return Infer(context, question).value(); } }
Stellen Sie Konvertierungslogik zwischen API-E/A und Eingabe-/Ausgabe-Tensor des model (Modell). Wenn die Eingabe- und Ausgabetypen angegeben sind, müssen die abgeleiteten Klassen auch Folgendes ausführen: die typisierten Funktionen zu implementieren,
BaseTaskApi::Preprocess
undBaseTaskApi::Postprocess
Mit den beiden Funktionen Eingaben und Ausgaben aus TFLiteFlatBuffer
. Die Unterklasse hat die Aufgabe, von den API-E/A- zu E/A-Tensoren übergeben. Vollständige Implementierung ansehen Beispiel inBertQuestionAnswerer
class BertQuestionAnswerer : public BaseTaskApi< std::vector<QaAnswer>, // OutputType const std::string&, const std::string& // InputTypes > { // Convert API input into tensors absl::Status BertQuestionAnswerer::Preprocess( const std::vector<TfLiteTensor*>& input_tensors, // input tensors of the model const std::string& context, const std::string& query // InputType of the API ) { // Perform tokenization on input strings ... // Populate IDs, Masks and SegmentIDs to corresponding input tensors PopulateTensor(input_ids, input_tensors[0]); PopulateTensor(input_mask, input_tensors[1]); PopulateTensor(segment_ids, input_tensors[2]); return absl::OkStatus(); } // Convert output tensors into API output StatusOr<std::vector<QaAnswer>> // OutputType BertQuestionAnswerer::Postprocess( const std::vector<const TfLiteTensor*>& output_tensors, // output tensors of the model ) { // Get start/end logits of prediction result from output tensors std::vector<float> end_logits; std::vector<float> start_logits; // output_tensors[0]: end_logits FLOAT[1, 384] PopulateVector(output_tensors[0], &end_logits); // output_tensors[1]: start_logits FLOAT[1, 384] PopulateVector(output_tensors[1], &start_logits); ... std::vector<QaAnswer::Pos> orig_results; // Look up the indices from vocabulary file and build results ... return orig_results; } }
Factory-Funktionen der API erstellen – eine Modelldatei und einen
OpResolver
werden benötigt, um dietflite::Interpreter
TaskAPIFactory
stellt Dienstprogrammfunktionen zum Erstellen von BaseTaskApi-Instanzen bereit.Außerdem müssen Sie alle mit dem Modell verknüpften Dateien zur Verfügung stellen. z.B.
BertQuestionAnswerer
kann auch eine zusätzliche Datei für den Tokenizer haben, Vokabular.class BertQuestionAnswerer : public BaseTaskApi< std::vector<QaAnswer>, // OutputType const std::string&, const std::string& // InputTypes > { // Factory function to create the API instance StatusOr<std::unique_ptr<QuestionAnswerer>> BertQuestionAnswerer::CreateBertQuestionAnswerer( const std::string& path_to_model, // model to passed to TaskApiFactory const std::string& path_to_vocab // additional model specific files ) { // Creates an API object by calling one of the utils from TaskAPIFactory std::unique_ptr<BertQuestionAnswerer> api_to_init; ASSIGN_OR_RETURN( api_to_init, core::TaskAPIFactory::CreateFromFile<BertQuestionAnswerer>( path_to_model, absl::make_unique<tflite::ops::builtin::BuiltinOpResolver>(), kNumLiteThreads)); // Perform additional model specific initializations // In this case building a vocabulary vector from the vocab file. api_to_init->InitializeVocab(path_to_vocab); return api_to_init; } }
Android API
Erstellen Sie Android-APIs, indem Sie die Java-/Kotlin-Schnittstelle definieren und die Logik delegieren. über JNI in die C++-Schicht übertragen. Für die Android API muss zuerst eine native API erstellt werden.
Verwendungsbeispiel
Hier ist ein Beispiel mit Java
BertQuestionAnswerer
für
MobileBert:
String BERT_MODEL_FILE = "path/to/model.tflite";
String VOCAB_FILE = "path/to/vocab.txt";
// Create the API from a model file and vocabulary file
BertQuestionAnswerer bertQuestionAnswerer =
BertQuestionAnswerer.createBertQuestionAnswerer(
ApplicationProvider.getApplicationContext(), BERT_MODEL_FILE, VOCAB_FILE);
String CONTEXT = ...; // context of a question to be answered
String QUESTION = ...; // question to be answered
// ask a question
List<QaAnswer> answers = bertQuestionAnswerer.answer(CONTEXT, QUESTION);
// answers.get(0).text is the best answer
API erstellen
Ähnlich wie bei nativen APIs muss der Client zum Erstellen eines API-Objekts
zusätzliche Informationen erhalten, indem Sie
BaseTaskApi
,
die JNI-Handhabungen für alle Java Task APIs bietet.
API-E/A bestimmen: Diese Einstellung spiegelt normalerweise die nativen Schnittstellen wider. z.B.
BertQuestionAnswerer
verwendet(String context, String question)
als Eingabe und gibtList<QaAnswer>
aus. Bei der Implementierung wird eine private native mit ähnlicher Signatur, außer dass sie einen zusätzlichen Parameterlong nativeHandle
hat, bei dem es sich um den von C++ zurückgegebenen Zeiger handelt.class BertQuestionAnswerer extends BaseTaskApi { public List<QaAnswer> answer(String context, String question) { return answerNative(getNativeHandle(), context, question); } private static native List<QaAnswer> answerNative( long nativeHandle, // C++ pointer String context, String question // API I/O ); }
Factory-Funktionen der API erstellen – Dies spiegelt auch die native Factory wider. außer dass Android-Factory-Funktionen auch
Context
für den Dateizugriff. Die Implementierung ruft eines der Dienstprogramme inTaskJniUtils
um das entsprechende C++ API-Objekt zu erstellen und seinen Zeiger an denBaseTaskApi
.class BertQuestionAnswerer extends BaseTaskApi { private static final String BERT_QUESTION_ANSWERER_NATIVE_LIBNAME = "bert_question_answerer_jni"; // Extending super constructor by providing the // native handle(pointer of corresponding C++ API object) private BertQuestionAnswerer(long nativeHandle) { super(nativeHandle); } public static BertQuestionAnswerer createBertQuestionAnswerer( Context context, // Accessing Android files String pathToModel, String pathToVocab) { return new BertQuestionAnswerer( // The util first try loads the JNI module with name // BERT_QUESTION_ANSWERER_NATIVE_LIBNAME, then opens two files, // converts them into ByteBuffer, finally ::initJniWithBertByteBuffers // is called with the buffer for a C++ API object pointer TaskJniUtils.createHandleWithMultipleAssetFilesFromLibrary( context, BertQuestionAnswerer::initJniWithBertByteBuffers, BERT_QUESTION_ANSWERER_NATIVE_LIBNAME, pathToModel, pathToVocab)); } // modelBuffers[0] is tflite model file buffer, and modelBuffers[1] is vocab file buffer. // returns C++ API object pointer casted to long private static native long initJniWithBertByteBuffers(ByteBuffer... modelBuffers); }
JNI-Modul für native Funktionen implementieren: Alle nativen Java-Methoden werden durch Aufrufen einer entsprechenden nativen Funktion aus der JNI implementiert. -Modul. Die Factory-Funktionen erstellen ein natives API-Objekt und geben seinen Zeiger als Long-Typ in Java. In späteren Aufrufen des Java-APIs wird der lange Wert Typzeiger an JNI zurückgegeben und zurück in das native API-Objekt umgewandelt. Die nativen API-Ergebnisse werden dann wieder in Java-Ergebnisse konvertiert.
So wird zum Beispiel bert_question_answerer_jni implementiert wird.
// Implements BertQuestionAnswerer::initJniWithBertByteBuffers extern "C" JNIEXPORT jlong JNICALL Java_org_tensorflow_lite_task_text_qa_BertQuestionAnswerer_initJniWithBertByteBuffers( JNIEnv* env, jclass thiz, jobjectArray model_buffers) { // Convert Java ByteBuffer object into a buffer that can be read by native factory functions absl::string_view model = GetMappedFileBuffer(env, env->GetObjectArrayElement(model_buffers, 0)); // Creates the native API object absl::StatusOr<std::unique_ptr<QuestionAnswerer>> status = BertQuestionAnswerer::CreateFromBuffer( model.data(), model.size()); if (status.ok()) { // converts the object pointer to jlong and return to Java. return reinterpret_cast<jlong>(status->release()); } else { return kInvalidPointer; } } // Implements BertQuestionAnswerer::answerNative extern "C" JNIEXPORT jobject JNICALL Java_org_tensorflow_lite_task_text_qa_BertQuestionAnswerer_answerNative( JNIEnv* env, jclass thiz, jlong native_handle, jstring context, jstring question) { // Convert long to native API object pointer QuestionAnswerer* question_answerer = reinterpret_cast<QuestionAnswerer*>(native_handle); // Calls the native API std::vector<QaAnswer> results = question_answerer->Answer(JStringToString(env, context), JStringToString(env, question)); // Converts native result(std::vector<QaAnswer>) to Java result(List<QaAnswerer>) jclass qa_answer_class = env->FindClass("org/tensorflow/lite/task/text/qa/QaAnswer"); jmethodID qa_answer_ctor = env->GetMethodID(qa_answer_class, "<init>", "(Ljava/lang/String;IIF)V"); return ConvertVectorToArrayList<QaAnswer>( env, results, [env, qa_answer_class, qa_answer_ctor](const QaAnswer& ans) { jstring text = env->NewStringUTF(ans.text.data()); jobject qa_answer = env->NewObject(qa_answer_class, qa_answer_ctor, text, ans.pos.start, ans.pos.end, ans.pos.logit); env->DeleteLocalRef(text); return qa_answer; }); } // Implements BaseTaskApi::deinitJni by delete the native object extern "C" JNIEXPORT void JNICALL Java_task_core_BaseTaskApi_deinitJni( JNIEnv* env, jobject thiz, jlong native_handle) { delete reinterpret_cast<QuestionAnswerer*>(native_handle); }
iOS-API
Erstellen Sie iOS-APIs, indem Sie ein natives API-Objekt in ein ObjC-API-Objekt einbinden. Die API-Objekt kann entweder in ObjC oder Swift verwendet werden. Für die iOS API ist die native API erstellt wird.
Verwendungsbeispiel
Hier ist ein Beispiel mit ObjC
TFLBertQuestionAnswerer
für MobileBert
in Swift.
static let mobileBertModelPath = "path/to/model.tflite";
// Create the API from a model file and vocabulary file
let mobileBertAnswerer = TFLBertQuestionAnswerer.mobilebertQuestionAnswerer(
modelPath: mobileBertModelPath)
static let context = ...; // context of a question to be answered
static let question = ...; // question to be answered
// ask a question
let answers = mobileBertAnswerer.answer(
context: TFLBertQuestionAnswererTest.context, question: TFLBertQuestionAnswererTest.question)
// answers.[0].text is the best answer
API erstellen
Die iOS API ist ein einfacher ObjC-Wrapper, der die native API aufsetzt. API erstellen nach indem Sie die folgenden Schritte ausführen:
ObjC-Wrapper definieren – Definieren Sie eine ObjC-Klasse und delegieren Sie die in das entsprechende native API-Objekt. Die nativen Anzeigen nur in einer MM-Datei auftauchen, da Swift Interoperabilität mit C++.
- .h-Datei
@interface TFLBertQuestionAnswerer : NSObject // Delegate calls to the native BertQuestionAnswerer::CreateBertQuestionAnswerer + (instancetype)mobilebertQuestionAnswererWithModelPath:(NSString*)modelPath vocabPath:(NSString*)vocabPath NS_SWIFT_NAME(mobilebertQuestionAnswerer(modelPath:vocabPath:)); // Delegate calls to the native BertQuestionAnswerer::Answer - (NSArray<TFLQAAnswer*>*)answerWithContext:(NSString*)context question:(NSString*)question NS_SWIFT_NAME(answer(context:question:)); }
- MM-Datei
using BertQuestionAnswererCPP = ::tflite::task::text::BertQuestionAnswerer; @implementation TFLBertQuestionAnswerer { // define an iVar for the native API object std::unique_ptr<QuestionAnswererCPP> _bertQuestionAnswerwer; } // Initialize the native API object + (instancetype)mobilebertQuestionAnswererWithModelPath:(NSString *)modelPath vocabPath:(NSString *)vocabPath { absl::StatusOr<std::unique_ptr<QuestionAnswererCPP>> cQuestionAnswerer = BertQuestionAnswererCPP::CreateBertQuestionAnswerer(MakeString(modelPath), MakeString(vocabPath)); _GTMDevAssert(cQuestionAnswerer.ok(), @"Failed to create BertQuestionAnswerer"); return [[TFLBertQuestionAnswerer alloc] initWithQuestionAnswerer:std::move(cQuestionAnswerer.value())]; } // Calls the native API and converts C++ results into ObjC results - (NSArray<TFLQAAnswer *> *)answerWithContext:(NSString *)context question:(NSString *)question { std::vector<QaAnswerCPP> results = _bertQuestionAnswerwer->Answer(MakeString(context), MakeString(question)); return [self arrayFromVector:results]; } }