TensorFlow Lite Görev Kitaplığı, önceden oluşturulmuş Soyutlayan aynı altyapı üzerine C++, Android ve iOS API'leri TensorFlow. Özelleştirilmiş API'ler oluşturmak için Task API altyapısını genişletebilirsiniz modeliniz mevcut Görev kitaplıkları tarafından desteklenmiyorsa.
Genel Bakış
Görev API'si altyapısı iki katmanlı bir yapıya sahiptir: alt C++ katmanı en iyi performans gösteren Java/ObjC katmanını C++ katmanıyla JNI veya sarmalayıcı aracılığıyla iletişim kurar.
Tüm TensorFlow mantığını yalnızca C++'ta uygulamak, maliyeti en aza indirir, çıkarım performansını artırır ve platformlar genelindeki iş akışını basitleştirir.
Görev sınıfı oluşturmak için BaseTaskApi TFLite model arayüzü ile Task API arasında dönüşüm mantığı sağlamak için arayüzünü, ardından ilgili API'leri oluşturmak için Java/ObjC yardımcı programlarını kullanın. Entegre tüm TensorFlow ayrıntıları gizlidir; TFLite modelini uygulamalarınızda dağıtabilirsiniz öğrenmesi gerekir.
TensorFlow Lite, dünyanın dört bir yanındaki en popüler uygulamalar için Vision ve NLP görevleri. Merchant Center'da diğer görevler için kendi API'lerinizi oluşturabilirsiniz.
Task API altyapısıyla kendi API'nizi oluşturun
C++ API'sı
Tüm TFLite ayrıntıları C++ API'ye uygulanır. API nesnesi oluşturma yöntemi fabrika işlevlerinden birini kullanarak ve işlevleri çağırarak model sonuçları elde edin arayüzde tanımlanmıştır.
Örnek kullanım
Burada, C++
BertQuestionAnswerer
şunun için:
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'yi oluşturma
API nesnesi oluşturmak için
BaseTaskApi
API G/Ç'sini belirleyin - API'niz benzer giriş/çıkışı ortaya çıkarmalıdır yardımcı olur. ör.
BertQuestionAnswerer
iki dize alır(std::string& context, std::string& question)
giriş olarak ve çıkış olarak birstd::vector<QaAnswer>
olarak olası yanıt ve olasılıkların vektörü. BuBaseTaskApi
öğesinin içinde karşılık gelen türlerin şablon parametresinden emin olun. Şablon parametreleri belirtildiğinde,BaseTaskApi::Infer
işlevi doğru giriş/çıkış türlerine sahip olacaktır. Bu fonksiyon, doğrudan çağrılır ancak bunu özel anahtar kelimelere modele özel bir işlevdir (bu örnekteBertQuestionAnswerer::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(); } }
model: Giriş ve çıkış türleri belirtildiğinde alt sınıfların da yazılan fonksiyonları uygulama
BaseTaskApi::Preprocess
veBaseTaskApi::Postprocess
. İki işlev, girişler ve çıktılar (TFLiteFlatBuffer
). Alt sınıf, değerlerini API I/O'dan G/Ç tensörlerine arasın. Uygulamanın tamamını görün örneğiBertQuestionAnswerer
.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; } }
API'nin fabrika işlevlerini oluşturma: Bir model dosyası ve
OpResolver
ilk kullanıma hazırlamak içintflite::Interpreter
.TaskAPIFactory
BaseTaskApi örnekleri oluşturmak için yardımcı program işlevleri sunar.Modelle ilişkili tüm dosyaları da sağlamanız gerekir. ör.
BertQuestionAnswerer
, jeton oluşturucuları için ek bir dosyaya da sahip olabilir hakkında bilgi edindiniz.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
Java/Kotlin arayüzünü tanımlayarak ve mantığı tanımlayarak Android API'leri oluşturun C++ katmanına taşımaya çalışıyor. Android API, öncelikle yerel API'nin oluşturulmasını gerektirir.
Örnek kullanım
Burada, Java'nın kullanıldığı bir
BertQuestionAnswerer
şunun için:
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'yi oluşturma
Yerel API'lere benzer şekilde, API nesnesi oluşturmak için istemcinin
uzatarak
BaseTaskApi
tüm Java Görev API'leri için JNI işlemeleri sunar.
API G/Ç'sini belirleyin - Bu, genellikle yerel arayüzleri yansıtır. ör.
BertQuestionAnswerer
, giriş olarak(String context, String question)
alır veList<QaAnswer>
çıktısını verir. Uygulama, gizli yereli çağırır işlevi benzer imzaya sahiptir ancak bu işlev, C++'tan döndürülen işaretçi olanlong nativeHandle
ek parametresine sahiptir.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 ); }
API'nin fabrika işlevlerini oluşturma: Bu, yerel fabrikayı da yansıtır. işlevlerinin yanı sıra Android'in fabrika işlevlerinin de
Context
dosya erişimi için. Bu uygulama, projenin yürütülmesi sırasındaTaskJniUtils
API nesnesini derlemek ve işaretçisiniBaseTaskApi
oluşturucu.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); }
Yerel işlevler için JNI modülünü uygulama: Tüm Java yerel yöntemleri JNI'den karşılık gelen bir yerel işlev çağrılarak uygulanır modülünü kullanabilirsiniz. Fabrika işlevleri yerel bir API nesnesi oluşturur ve uzun bir türü olan Java'yı işaret ediyor. Java API'ye yapılan sonraki çağrılarda type işaretçisi JNI'ye geri gönderilir ve yerel API nesnesine geri döndürülür. Yerel API sonuçları daha sonra tekrar Java sonuçlarına dönüştürülür.
Örneğin, ekip üyeleri bert_question_answerer_jni yardımcı olur.
// 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'si
Yerel API nesnesini ObjC API nesnesine sarmalayarak iOS API'leri oluşturun. İlgili içeriği oluşturmak için kullanılan API nesnesi ObjC veya Swift'te kullanılabilir. iOS API için yerel API'nin kullanılmasıdır.
Örnek kullanım
Aşağıda, ObjC'nin kullanıldığı bir örnek verilmiştir
TFLBertQuestionAnswerer
MobileBert için
hakkında daha fazla bilgi edinin.
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'yi oluşturma
iOS API, yerel API'nin üzerindeki basit bir ObjC sarmalayıcıdır. API'yi derleme şu adımları uygulayın:
OjC sarmalayıcıyı tanımlayın - Bir ObjC sınıfı tanımlayın ve karşılık gelen yerel API nesnesine uygulama. Yerel reklamları not etme bağımlılıklar yalnızca .mm dosyasında görünebilir. Bunun nedeni, Swift’in C++ ile birlikte kullanabilirsiniz.
- .h dosyası
@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 dosyası
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]; } }