TensorFlow Lite Task Library ofron API të para-ndërtuara C++, Android dhe iOS në krye të së njëjtës infrastrukturë që abstrakton TensorFlow. Ju mund të zgjeroni infrastrukturën Task API për të ndërtuar API të personalizuara nëse modeli juaj nuk mbështetet nga bibliotekat ekzistuese të detyrave.
Vështrim i përgjithshëm
Infrastruktura Task API ka një strukturë me dy shtresa: shtresa e poshtme C++ që kapsulon kohën e funksionimit TFLite dhe shtresa e sipërme Java/ObjC që komunikon me shtresën C++ përmes JNI ose mbështjellës.
Zbatimi i të gjithë logjikës së TensorFlow vetëm në C++ minimizon koston, maksimizon performancën e konkluzioneve dhe thjeshton rrjedhën e përgjithshme të punës nëpër platforma.
Për të krijuar një klasë Task, zgjeroni BaseTaskApi për të siguruar logjikën e konvertimit midis ndërfaqes së modelit TFLite dhe ndërfaqes Task API, më pas përdorni shërbimet Java/ObjC për të krijuar API-të përkatëse. Me të gjitha detajet e TensorFlow të fshehura, ju mund të vendosni modelin TFLite në aplikacionet tuaja pa ndonjë njohuri për mësimin e makinës.
TensorFlow Lite ofron disa API të parandërtuara për detyrat më të njohura të Visionit dhe NLP . Ju mund të ndërtoni API-të tuaja për detyra të tjera duke përdorur infrastrukturën Task API.
Ndërtoni API-në tuaj me Task API infra
C++ API
Të gjitha detajet e TFLite janë implementuar në C++ API. Krijoni një objekt API duke përdorur një nga funksionet e fabrikës dhe merrni rezultatet e modelit duke thirrur funksionet e përcaktuara në ndërfaqe.
Përdorimi i mostrës
Këtu është një shembull duke përdorur C++ BertQuestionAnswerer
për 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
Ndërtimi i API-së
Për të ndërtuar një objekt API, duhet të jepni informacionin e mëposhtëm duke zgjeruar BaseTaskApi
Përcaktoni API I/O - API juaj duhet të ekspozojë hyrje/dalje të ngjashme nëpër platforma të ndryshme. p.sh.
BertQuestionAnswerer
merr dy vargje(std::string& context, std::string& question)
si hyrje dhe nxjerr një vektor të përgjigjeve të mundshme dhe probabiliteteve sistd::vector<QaAnswer>
. Kjo bëhet duke specifikuar llojet përkatëse në parametrin shabllon tëBaseTaskApi
. Me parametrat e shabllonit të specifikuar, funksioniBaseTaskApi::Infer
do të ketë llojet e sakta të hyrjes/daljes. Ky funksion mund të thirret drejtpërdrejt nga klientët API, por është një praktikë e mirë për ta mbështjellë atë brenda një funksioni specifik për modelin, në këtë rast,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(); } }
Siguroni logjikën e konvertimit midis API I/O dhe tensorit hyrës/dalës të modelit - Me llojet e hyrjes dhe daljes të specifikuara, nënklasat gjithashtu duhet të zbatojnë funksionet e shtypura
BaseTaskApi::Preprocess
dheBaseTaskApi::Postprocess
. Të dy funksionet ofrojnë hyrje dhe dalje nga TFLiteFlatBuffer
. Nënklasa është përgjegjëse për caktimin e vlerave nga tensorët API I/O në I/O. Shihni shembullin e plotë të zbatimit nëBertQuestionAnswerer
.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; } }
Krijoni funksionet e fabrikës të API - Një skedar modeli dhe një
OpResolver
nevojiten për të inicializuartflite::Interpreter
.TaskAPIFactory
ofron funksione të dobishme për të krijuar instanca BaseTaskApi.Ju gjithashtu duhet të siguroni çdo skedar të lidhur me modelin. p.sh.,
BertQuestionAnswerer
mund të ketë gjithashtu një skedar shtesë për fjalorin e tij tokenizues.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
Krijoni API-të Android duke përcaktuar ndërfaqen Java/Kotlin dhe duke deleguar logjikën në shtresën C++ përmes JNI. Android API kërkon që fillimisht të ndërtohet API amtare.
Përdorimi i mostrës
Këtu është një shembull duke përdorur Java BertQuestionAnswerer
për 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
Ndërtimi i API-së
Ngjashëm me API-të vendase, për të ndërtuar një objekt API, klienti duhet të sigurojë informacionin e mëposhtëm duke zgjeruar BaseTaskApi
, i cili ofron trajtime JNI për të gjitha API-të e detyrave Java.
Përcaktoni API I/O - Kjo zakonisht pasqyron ndërfaqet vendase. p.sh.
BertQuestionAnswerer
merr(String context, String question)
si hyrje dhe daljeList<QaAnswer>
. Zbatimi thërret një funksion privat privat me nënshkrim të ngjashëm, përveçse ai ka një parametër shtesëlong nativeHandle
, që është treguesi i kthyer nga 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 ); }
Krijoni funksionet e fabrikës të API - Kjo gjithashtu pasqyron funksionet e fabrikës vendase, përveç funksioneve të fabrikës Android gjithashtu duhet të marrin
Context
për qasje në skedar. Zbatimi thërret një nga shërbimet nëTaskJniUtils
për të ndërtuar objektin përkatës të C++ API dhe për të kaluar treguesin e tij te konstruktoriBaseTaskApi
.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); }
Implementimi i modulit JNI për funksionet vendase - Të gjitha metodat vendase Java zbatohen duke thirrur një funksion përkatës vendas nga moduli JNI. Funksionet e fabrikës do të krijonin një objekt API vendas dhe do ta kthenin treguesin e tij si një tip të gjatë në Java. Në thirrjet e mëvonshme në Java API, treguesi i tipit të gjatë i kalohet JNI dhe i kthehet objektit API vendas. Rezultatet e API-së amtare kthehen më pas në rezultatet Java.
Për shembull, kështu zbatohet bert_question_answerer_jni .
// 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
Krijoni API të iOS duke mbështjellë një objekt API vendas në një objekt API ObjC. Objekti i krijuar API mund të përdoret në ObjC ose Swift. iOS API kërkon që fillimisht të ndërtohet API-ja vendase.
Përdorimi i mostrës
Këtu është një shembull duke përdorur ObjC TFLBertQuestionAnswerer
për MobileBert në 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
Ndërtimi i API-së
iOS API është një mbështjellës i thjeshtë ObjC në krye të API-së amtare. Ndërtoni API-në duke ndjekur hapat e mëposhtëm:
Përcaktoni mbështjellësin ObjC - Përcaktoni një klasë ObjC dhe delegoni implementimet në objektin përkatës të API-së. Vini re se varësitë vendase mund të shfaqen vetëm në një skedar .mm për shkak të pamundësisë së Swift për të ndërvepruar me C++.
- skedar .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:)); }
- skedar .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]; } }
Përveçse siç përcaktohet ndryshe, përmbajtja e kësaj faqeje është e licencuar sipas licencës së atribuimit 4.0 të Creative Commons dhe kampionët e kodit janë licencuar sipas licencës së Apache 2.0. Për detaje, shiko Politikat e sajtit të Google Developers. Java është një markë tregtare e regjistruar e Oracle dhe/ose filialeve të tij.
Përditësimi i fundit: 2025-01-15 UTC.