A biblioteca de tarefas do TensorFlow Lite fornece recursos APIs C++, Android e iOS sobre a mesma infraestrutura que abstrai o TensorFlow. É possível ampliar a infraestrutura da API Task para criar APIs personalizadas se o modelo não for compatível com as bibliotecas Task existentes.
Visão geral
A infraestrutura da API Task tem uma estrutura de duas camadas: a camada C++ inferior encapsulando o tempo de execução do TFLite e a camada superior Java/ObjC que se comunica com a camada C++ por meio de JNI ou wrapper.
Implementar toda a lógica do TensorFlow apenas em C++ minimiza o custo, maximiza desempenho de inferência e simplifica o fluxo de trabalho geral em todas as plataformas.
Para criar uma classe Task, estenda o BaseTaskApi para fornecer lógica de conversão entre a interface do modelo TFLite e a API Task interface do usuário e use os utilitários do Java/ObjC para criar as APIs correspondentes. Com todos os detalhes do TensorFlow ocultos, é possível implantar o modelo do TFLite nos seus apps mesmo sem conhecimento de machine learning.
O TensorFlow Lite fornece algumas APIs pré-criadas para os Tarefas de visão e PLN. É possível criar suas próprias APIs para outras tarefas usando a infraestrutura da API do Google Tarefas.
Criar sua própria API com a infraestrutura da API Task
API C++
Todos os detalhes do TFLite são implementados na API C++. Crie um objeto de API usando uma das funções de fábrica e chamar as funções para conseguir os resultados do modelo. definidos na interface.
Exemplo de uso
Este é um exemplo que usa
BertQuestionAnswerer
para
MobileBert (link em inglês).
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
Como criar a API
Para criar um objeto de API,você deve fornecer as seguintes informações estendendo
BaseTaskApi
Determinar a E/S da API: a API precisa expor entradas/saídas semelhantes. em diferentes plataformas. Por exemplo:
BertQuestionAnswerer
usa duas strings(std::string& context, std::string& question)
como entrada e gera uma saída vetor de respostas possíveis e probabilidades comostd::vector<QaAnswer>
. Isso é feito especificando os tipos correspondentes no arquivoBaseTaskApi
parâmetro do modelo. Com os parâmetros do modelo especificados,BaseTaskApi::Infer
terá os tipos corretos de entrada/saída. Essa função pode ser chamados diretamente pelos clientes da API, mas é uma prática recomendada envolvê-lo uma função específica do modelo, neste caso,BertQuestionAnswerer::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(); } }
Forneça a lógica de conversão entre a E/S da API e o tensor de entrada/saída do model: com os tipos de entrada e saída especificados, as subclasses também precisam implementar as funções tipadas
BaseTaskApi::Preprocess
eBaseTaskApi::Postprocess
As duas funções fornecem entradas e saídas noFlatBuffer
do TFLite. A subclasse é responsável por atribuir valores dos tensores de E/S da API para E/S. Confira a implementação completa exemplo emBertQuestionAnswerer
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; } }
Criar funções de fábrica da API: um arquivo modelo e um
OpResolver
são necessários para inicializartflite::Interpreter
TaskAPIFactory
fornece funções utilitárias para criar instâncias de BaseTaskApi.Você também precisa fornecer todos os arquivos associados ao modelo. Por exemplo:
BertQuestionAnswerer
também pode ter um arquivo adicional para o tokenizador vocabulário.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; } }
API do Android
Criar APIs Android definindo a interface Java/Kotlin e delegando a lógica para a camada C++ pelo JNI. A API do Android exige que a API nativa seja criada primeiro.
Exemplo de uso
Este é um exemplo que usa Java
BertQuestionAnswerer
para
MobileBert (link em inglês).
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
Como criar a API
Semelhante às APIs nativas, para criar um objeto de API, o cliente precisa fornecer o
seguintes informações, estendendo
BaseTaskApi
,
que fornece processamentos JNI para todas as APIs de tarefas Java.
Determinar a E/S da API: geralmente espelha as interfaces nativas. Por exemplo:
BertQuestionAnswerer
usa(String context, String question)
como entrada. e geraList<QaAnswer>
. A implementação chama um modelo nativo particular função com assinatura semelhante, mas tem um parâmetro extralong nativeHandle
, que é o ponteiro retornado de C++.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 ); }
Criar funções de fábrica da API: isso também espelha o código nativo de fábrica exceto as funções de fábrica do Android, que também precisam tomar
Context
para acessar os arquivos. A implementação chama um dos utilitáriosTaskJniUtils
para criar o objeto correspondente da API em C++ e passar seu ponteiro para a construtorBaseTaskApi
.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); }
Implementar o módulo JNI para funções nativas: todos os métodos nativos do Java são implementados chamando uma função nativa correspondente do JNI mais tarde neste módulo. As funções de fábrica criariam um objeto de API nativo e retornariam seu ponteiro como um tipo longo para Java. Em chamadas posteriores à API Java, o é passado de volta para o JNI e convertido de volta para o objeto da API nativa. Os resultados da API nativa são convertidos de volta em resultados em Java.
Por exemplo, é assim que bert_question_answerer_jni é implementado.
// 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); }
API iOS
Crie APIs para iOS encapsulando um objeto de API nativo em um objeto de API ObjC. A pode ser usado no ObjC ou no Swift. A API do iOS exige a API nativa seja criada primeiro.
Exemplo de uso
Este é um exemplo que usa ObjC
TFLBertQuestionAnswerer
para MobileBert
em 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
Como criar a API
A API do iOS é um wrapper ObjC simples sobre a API nativa. Criar a API siga as etapas abaixo:
Definir o wrapper ObjC: defina uma classe ObjC e delegue o implementações ao objeto da API nativa correspondente. Observe o dependências só podem aparecer em um arquivo .mm devido à incapacidade do Swift de de interoperabilidade com o C++.
- Arquivo .h
@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:)); }
- Arquivo .mm
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]; } }