TensorFlow Lite Task Library สร้างไว้ล่วงหน้า C++, Android และ iOS API บนโครงสร้างพื้นฐานเดียวกันกับที่ใช้ TensorFlow ขยายโครงสร้างพื้นฐาน Task API เพื่อสร้าง API ที่กำหนดเอง หากไลบรารีงานที่มีอยู่ไม่รองรับโมเดลของคุณ
ภาพรวม
โครงสร้างพื้นฐานของ Task API มีโครงสร้าง 2 เลเยอร์ ได้แก่ เลเยอร์ C++ ด้านล่าง ห่อหุ้มรันไทม์ TFLite และเลเยอร์ Java/ObjC ยอดนิยมที่ สื่อสารกับเลเยอร์ C++ ผ่าน JNI หรือ Wrapper
การนำตรรกะ TensorFlow ทั้งหมดไปใช้ใน C++ เพียงอย่างเดียวจะช่วยลดต้นทุนให้ได้สูงสุด ประสิทธิภาพการอนุมานและลดความซับซ้อนของเวิร์กโฟลว์โดยรวมในแพลตฟอร์มต่างๆ
หากต้องการสร้างคลาสงาน ให้ขยายเวลา BaseTaskApi เพื่อระบุตรรกะ Conversion ระหว่างอินเทอร์เฟซโมเดล TFLite และ Task API จากนั้นใช้ยูทิลิตี Java/ObjC เพื่อสร้าง API ที่สอดคล้องกัน ด้วย ซ่อนรายละเอียด TensorFlow ทั้งหมดไว้ คุณสามารถทำให้โมเดล TFLite ใช้งานได้ในแอป โดยที่ไม่มีความรู้ด้าน แมชชีนเลิร์นนิงเลย
TensorFlow Lite มี API ที่สร้างไว้ล่วงหน้าบางส่วนสำหรับ งานด้านวิสัยทัศน์และ NLP คุณสามารถสร้าง API ของคุณเองสำหรับงานอื่นๆ โดยใช้โครงสร้างพื้นฐาน Task API
สร้าง API ของคุณเองด้วย Task API infra
API ของ C++
รายละเอียด TFLite ทั้งหมดจะนำไปใช้ใน C++ API สร้างออบเจ็กต์ API โดย โดยใช้ฟังก์ชันจากโรงงานและรับผลลัพธ์ของโมเดลโดยการเรียกใช้ฟังก์ชัน กำหนดไว้ในอินเทอร์เฟซ
ตัวอย่างการใช้งาน
ลองดูตัวอย่างการใช้ C++
BertQuestionAnswerer
สำหรับ
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
การสร้าง API
หากต้องการสร้างออบเจ็กต์ API คุณต้องระบุข้อมูลต่อไปนี้โดยการขยาย
BaseTaskApi
กำหนด API I/O - API ของคุณควรแสดงอินพุต/เอาต์พุตที่คล้ายกัน ในแพลตฟอร์มต่างๆ เช่น
BertQuestionAnswerer
ใช้ 2 สตริง(std::string& context, std::string& question)
เป็นอินพุตและเอาต์พุต เวกเตอร์ของคำตอบและความน่าจะเป็นที่เป็นไปได้เป็นstd::vector<QaAnswer>
ช่วงเวลานี้ ทำโดยการระบุประเภทที่เกี่ยวข้องในBaseTaskApi
พารามิเตอร์เทมเพลต เมื่อมีการระบุพารามิเตอร์เทมเพลตBaseTaskApi::Infer
จะมีประเภทอินพุต/เอาต์พุตที่ถูกต้อง ฟังก์ชันนี้สามารถ ที่ไคลเอ็นต์ API เรียกโดยตรง แต่เป็นแนวทางปฏิบัติที่ดีที่จะใส่ไว้ข้างใน ฟังก์ชันเฉพาะโมเดล ซึ่งในกรณีนี้คือBertQuestionAnswerer::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(); } }
ระบุตรรกะ Conversion ระหว่าง API I/O และ Tensor อินพุต/เอาต์พุตของ โมเดล - เมื่อระบุประเภทอินพุตและเอาต์พุตแล้ว คลาสย่อยจะต้อง ใช้ฟังก์ชันที่พิมพ์
BaseTaskApi::Preprocess
และBaseTaskApi::Postprocess
ฟังก์ชันทั้งสองมี อินพุต และ เอาต์พุต จาก TFLiteFlatBuffer
คลาสย่อยมีหน้าที่มอบหมาย จาก I/O ของ API ไปยัง tensor ของ I/O ดูการติดตั้งใช้งานทั้งหมด ตัวอย่างในBertQuestionAnswerer
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; } }
สร้างฟังก์ชันจากโรงงานของ API - ไฟล์โมเดลและ
OpResolver
ในการเริ่มต้นtflite::Interpreter
TaskAPIFactory
มีฟังก์ชันยูทิลิตีเพื่อสร้างอินสแตนซ์ BaseTaskApiคุณต้องส่งไฟล์ที่เกี่ยวข้องกับโมเดลนี้ด้วย เช่น
BertQuestionAnswerer
ยังสามารถมีไฟล์เพิ่มเติมสำหรับเครื่องมือแปลงข้อมูลเป็นโทเค็น คำศัพท์class 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 ของ Android
สร้าง Android API โดยกำหนดอินเทอร์เฟซ Java/Kotlin และมอบสิทธิ์ตรรกะ ไปยังเลเยอร์ C++ ผ่าน JNI Android API จำเป็นต้องมี API แบบเนทีฟก่อน
ตัวอย่างการใช้งาน
ตัวอย่างการใช้ Java
BertQuestionAnswerer
สำหรับ
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
การสร้าง API
เช่นเดียวกับ API แบบเนทีฟ ในการสร้างออบเจ็กต์ API ไคลเอ็นต์จะต้องระบุ
ดังต่อไปนี้โดยขยาย
BaseTaskApi
ซึ่งให้การจัดการ JNI สำหรับ Java Task API ทั้งหมด
กำหนด API I/O - โดยปกติจะมิเรอร์อินเทอร์เฟซแบบเนทีฟ เช่น
BertQuestionAnswerer
ใช้เวลา(String context, String question)
เป็นอินพุต และเอาต์พุตList<QaAnswer>
การนำไปใช้จะเรียกโฆษณาเนทีฟส่วนตัว ที่มีลายเซ็นคล้ายกัน เพียงแต่มีพารามิเตอร์เพิ่มเติมlong nativeHandle
ซึ่งเป็นตัวชี้ที่ส่งคืนจาก 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 ); }
สร้างฟังก์ชันจากโรงงานของ API - มิเรอร์จากโรงงานโดยตรงด้วย ฟังก์ชัน ยกเว้นฟังก์ชันจากโรงงานของ Android จะต้องดำเนินการ
Context
สำหรับการเข้าถึงไฟล์ การนำไปใช้นี้เรียกหนึ่งในยูทิลิตีในTaskJniUtils
เพื่อสร้างออบเจ็กต์ C++ API ที่เกี่ยวข้องและส่งตัวชี้ไปยัง เครื่องมือสร้างBaseTaskApi
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); }
ใช้โมดูล JNI สำหรับฟังก์ชันเนทีฟ - วิธีเนทีฟของ Java ทั้งหมด ดำเนินการโดยการเรียกใช้ฟังก์ชันเนทีฟที่เกี่ยวข้องจาก JNI ฟังก์ชันจากโรงงานจะสร้างออบเจ็กต์ API แบบเนทีฟและส่งกลับ ตัวชี้เป็นชนิดยาวไปยัง Java ในการเรียกไปยัง Java API ภายหลัง ระบบจะใช้เวลา ระบบจะส่งตัวชี้ประเภทกลับไปยัง JNI และแคสต์กลับไปยังออบเจ็กต์ API แบบดั้งเดิม ผลลัพธ์ของ API แบบดั้งเดิมจะถูกแปลงกลับไปเป็นผลลัพธ์ของ Java
ตัวอย่างเช่น นี่คือลักษณะ bert_question_answerer_jni มีการนำไปใช้
// 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 ของ iOS
สร้าง iOS API โดยการรวมออบเจ็กต์ API แบบเนทีฟไว้ในออบเจ็กต์ ObjC API ออบเจ็กต์ API ที่สร้างขึ้นสามารถใช้ใน ObjC หรือ Swift iOS API จำเป็นต้องมี API แบบเนทีฟที่สร้างขึ้นก่อน
ตัวอย่างการใช้งาน
นี่คือตัวอย่างการใช้ ObjC
TFLBertQuestionAnswerer
สำหรับ MobileBert
ใน 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
การสร้าง API
iOS API คือ ObjC Wrapper ที่เรียบง่ายนอกเหนือจาก API แบบเนทีฟ สร้าง API โดย โดยทำตามขั้นตอนด้านล่าง
กำหนด Wrapper ของ ObjC - กำหนดคลาส ObjC และมอบสิทธิ์ฟังก์ชัน กับออบเจ็กต์ API เนทีฟที่เกี่ยวข้อง โปรดทราบว่าโฆษณาเนทีฟ ทรัพยากร Dependency จะปรากฏในไฟล์ .mm เท่านั้น เนื่องจาก Swift ไม่สามารถ ทำงานร่วมกันด้วย C++
- ไฟล์ .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:)); }
- ไฟล์ .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]; } }