إنشاء نماذج LiteRT

توفّر هذه الصفحة إرشادات حول إنشاء نماذج TensorFlow باستخدام نية التحويل إلى تنسيق نموذج LiteRT. الجهاز تم في الأصل إنشاء نماذج التعلم (ML) التي تستخدمها مع LiteRT باستخدام المكتبات والأدوات الأساسية لمنصة TensorFlow. بمجرد إنشاء نموذج باستخدام نواة TensorFlow، يمكنك تحويلها إلى نموذج أصغر وأكثر فعالية لتعلُّم الآلة يسمى نموذج LiteRT.

إذا كان لديك نموذج لإجراء إحالة ناجحة، اطّلِع على النماذج المحوَّلة نظرة عامة للحصول على إرشادات حول تحويل النموذج.

إنشاء نموذجك

إذا كنت تصمم نموذجًا مخصصًا لحالة الاستخدام المحددة، فيجب أن تبدأ بتطوير وتدريب نموذج TensorFlow أو تمديد نموذج حالي.

قيود تصميم النموذج

قبل بدء عملية تطوير النموذج، يجب أن تكون على دراية القيود الخاصة بنماذج LiteRT وإنشاء نموذجك باستخدام هذه القيود في الاعتبار:

  • إمكانات حوسبة محدودة: بالمقارنة بالخوادم المجهّزة بالكامل والتي تتوفر لها وحدات معالجة مركزية (CPU) متعددة وسعة ذاكرة عالية ومعالِجات متخصصة مثل وحدات معالجة الرسومات وتكون وحدات معالجة الموتّرات والأجهزة الجوّالة والأجهزة الحدّية محدودة بشكل أكبر. أثناء زيادة القدرة الحاسوبية والتوافق المتخصص مع الأجهزة، إلا أن النماذج والبيانات التي يمكنك معالجتها معهم بفعالية لا تزال محدودة نسبيًا.
  • حجم النماذج - مدى التعقيد الكلي للنموذج، بما في ذلك البيانات يؤدي منطق المعالجة المسبقة وعدد الطبقات في النموذج إلى زيادة الحجم في الذاكرة لنموذج ما. قد يعمل النموذج الكبير ببطء غير مقبول أو ببساطة قد لا تتناسب مع الذاكرة المتاحة لجهاز جوّال أو جهاز حافة.
  • حجم البيانات - حجم بيانات الإدخال التي يمكن معالجتها بفعالية باستخدام نموذج تعلُّم الآلة يقتصر على الأجهزة الجوّالة أو الأجهزة الحدّية. الطرُز التي تستخدم مكتبات بيانات كبيرة مثل مكتبات اللغات ومكتبات الصور قد لا تتلاءم مكتبات مقاطع الفيديو مع هذه الأجهزة، وقد تتطلب حلول التخزين والوصول خارج الجهاز.
  • عمليات TensorFlow المتوافقة - بيئات وقت تشغيل LiteRT مجموعة فرعية من عمليات نموذج تعلُّم الآلة مقارنةً بالعمليات العادية نماذج TensorFlow عند قيامك بإعداد نموذج للاستخدام مع LiteRT، يمكنك توافق نموذجك مع إمكانات بيئات وقت تشغيل LiteRT

لمزيد من المعلومات حول إنشاء نماذج فعالة ومتوافقة وعالية الأداء LiteRT، يُرجى الاطّلاع على أفضل ممارسات الأداء.

تطوير النموذج

لإنشاء نموذج LiteRT، تحتاج أولاً إلى إنشاء نموذج باستخدام مكتبات TensorFlow الأساسية. مكتبات TensorFlow الأساسية هي ذات المستوى الأدنى المكتبات التي توفّر واجهات برمجة التطبيقات لإنشاء نماذج تعلُّم الآلة وتدريبها ونشرها.

سير عمل إنشاء TFLite

يوفر TensorFlow مسارين للقيام بذلك. يمكنك إنشاء مجموعتك الخاصة كود النموذج أو يمكنك البدء بتطبيق نموذج متاح في حديقة نماذج الصور من TensorFlow.

حديقة نماذج

توفّر منصة TensorFlow موديل غاردن لتنفيذ العديد من التصاميم المتطوّرة. نماذج تعلُّم الآلة (ML) لمعالجة الرؤية واللغات الطبيعية (NLP). ستجد أيضًا أدوات لسير العمل تتيح لك ضبط هذه الأدوات وتشغيلها النماذج على مجموعات البيانات القياسية. إن نماذج التعلم الآلي في نماذج Garden تتضمّن رمزًا كاملاً لتتمكّن من اختباره أو تدريبه أو إعادة تدريبه باستخدام ومجموعات البيانات.

سواء كنت تريد قياس الأداء لنموذج معروف، تحقّق من نتائج الأبحاث الصادرة مؤخرًا، أو توسيع النماذج الحالية، يمكن يمكن أن تساعدك Garden في تحقيق أهداف تعلُّم الآلة.

النماذج المخصّصة

إذا كانت حالة الاستخدام الخاصة بك خارج تلك المتاحة في النماذج الموجودة في model Garden، يمكنك استخدام مكتبة ذات مستوى عالٍ مثل Keras لتطوير رمز التدريب المخصص لديك. للتعرّف على أساسيات TensorFlow، يُرجى الاطّلاع على دليل TensorFlow. للبدء في استخدام راجِع الأدلة التعليمية لـ TensorFlow نظرة عامة التي تحتوي على مؤشرات أو البدء في البرامج التعليمية على مستوى الخبراء.

تقييم النموذج

بعد تطوير النموذج، يجب تقييم أدائه واختبار على أجهزة المستخدم النهائي. يوفر TensorFlow بعض الطرق لإجراء ذلك.

  • TensorBoard هي أداة لتوفير القياسات والتصورات اللازمة أثناء سير عمل التعلم الآلي. تمكّن هذه الميزة من تتبع مقاييس التجربة مثل الخسارة والدقة، من خلال عرض الرسم البياني للنموذج، وإسقاط تضمينات منخفضة والمساحة ذات الأبعاد، وأكثر من ذلك بكثير.
  • تتوفر أدوات قياس الأداء لكل مثل تطبيق Android لمقاييس الأداء وتطبيق قياس الأداء على iOS. استخدام هذه الأدوات لقياس وحساب الإحصاءات للأداء المهم والمقاييس.

تحسين النموذج

مع القيود المفروضة على الموارد الخاصة بـ TensorFlow يا لها من نماذج، يمكن أن يساعد تحسين النموذج في ضمان أداء نموذجك جيدًا وتستخدم موارد حوسبة أقل. عادةً ما يكون أداء نموذج التعلم الآلي التوازن بين الحجم وسرعة الاستنتاج مقابل الدقة. LiteRT في الوقت الحالي التحسين عبر التحليل الكمّي والتقليم والتجميع العنقودي. عرض موضوع تحسين النموذج للاطّلاع على مزيد من التفاصيل حول والتقنيات المختلفة. توفّر TensorFlow أيضًا ميزات تحسين النماذج tools التي توفر واجهة برمجة تطبيقات تعمل على تنفيذ هذه والتقنيات المختلفة.

الخطوات التالية