এই পৃষ্ঠাটি LiteRT মডেল ফর্ম্যাটে রূপান্তর করার অভিপ্রায়ে আপনার টেনসরফ্লো মডেলগুলি তৈরি করার জন্য নির্দেশিকা প্রদান করে৷ আপনি LiteRT এর সাথে যে মেশিন লার্নিং (ML) মডেলগুলি ব্যবহার করেন তা মূলত TensorFlow কোর লাইব্রেরি এবং টুল ব্যবহার করে তৈরি এবং প্রশিক্ষিত। একবার আপনি টেনসরফ্লো কোর সহ একটি মডেল তৈরি করলে, আপনি এটিকে একটি ছোট, আরও দক্ষ এমএল মডেল ফর্ম্যাটে রূপান্তর করতে পারেন যাকে LiteRT মডেল বলা হয়।
আপনার যদি ইতিমধ্যেই রূপান্তর করার জন্য একটি মডেল থাকে, তাহলে আপনার মডেল রূপান্তর করার বিষয়ে নির্দেশনার জন্য রূপান্তর মডেল ওভারভিউ পৃষ্ঠাটি দেখুন।
আপনার মডেল নির্মাণ
আপনি যদি আপনার নির্দিষ্ট ব্যবহারের ক্ষেত্রে একটি কাস্টম মডেল তৈরি করেন, তাহলে আপনাকে একটি টেনসরফ্লো মডেল তৈরি এবং প্রশিক্ষণ দিয়ে শুরু করা উচিত বা বিদ্যমান একটি প্রসারিত করা উচিত।
মডেল ডিজাইনের সীমাবদ্ধতা
আপনি আপনার মডেল ডেভেলপমেন্ট প্রক্রিয়া শুরু করার আগে, আপনাকে LiteRT মডেলের সীমাবদ্ধতা সম্পর্কে সচেতন হতে হবে এবং এই সীমাবদ্ধতাগুলিকে মাথায় রেখে আপনার মডেল তৈরি করতে হবে:
- সীমিত গণনা ক্ষমতা - একাধিক সিপিইউ, উচ্চ মেমরি ক্ষমতা এবং বিশেষায়িত প্রসেসর যেমন জিপিইউ এবং টিপিইউ সহ সম্পূর্ণ সজ্জিত সার্ভারের তুলনায় মোবাইল এবং এজ ডিভাইসগুলি অনেক বেশি সীমিত। যদিও তারা কম্পিউট পাওয়ার এবং বিশেষ হার্ডওয়্যার সামঞ্জস্যের মধ্যে বাড়ছে, আপনি তাদের সাথে কার্যকরভাবে প্রক্রিয়া করতে পারেন এমন মডেল এবং ডেটা এখনও তুলনামূলকভাবে সীমিত।
- মডেলের আকার - ডেটা প্রি-প্রসেসিং লজিক এবং মডেলের স্তরের সংখ্যা সহ একটি মডেলের সামগ্রিক জটিলতা, একটি মডেলের ইন-মেমরি আকার বৃদ্ধি করে। একটি বড় মডেল অগ্রহণযোগ্যভাবে ধীর গতিতে চলতে পারে বা সহজভাবে একটি মোবাইল বা প্রান্ত ডিভাইসের উপলব্ধ মেমরিতে ফিট নাও হতে পারে৷
- ডেটার আকার - ইনপুট ডেটার আকার যা একটি মেশিন লার্নিং মডেলের সাথে কার্যকরভাবে প্রক্রিয়া করা যেতে পারে একটি মোবাইল বা প্রান্ত ডিভাইসে সীমিত৷ যে মডেলগুলি বড় ডেটা লাইব্রেরিগুলি ব্যবহার করে যেমন ল্যাঙ্গুয়েজ লাইব্রেরি, ইমেজ লাইব্রেরি, বা ভিডিও ক্লিপ লাইব্রেরিগুলি এই ডিভাইসগুলিতে ফিট নাও হতে পারে এবং এর জন্য অফ-ডিভাইস স্টোরেজ এবং অ্যাক্সেস সমাধানের প্রয়োজন হতে পারে।
- সমর্থিত TensorFlow অপারেশন - LiteRT রানটাইম পরিবেশ নিয়মিত TensorFlow মডেলের তুলনায় মেশিন লার্নিং মডেল অপারেশনের একটি উপসেট সমর্থন করে। আপনি যখন LiteRT-এর সাথে ব্যবহারের জন্য একটি মডেল তৈরি করেন, তখন আপনার LiteRT রানটাইম পরিবেশের ক্ষমতার বিপরীতে আপনার মডেলের সামঞ্জস্যপূর্ণতা ট্র্যাক করা উচিত।
LiteRT-এর জন্য কার্যকর, সামঞ্জস্যপূর্ণ, উচ্চ পারফরম্যান্স মডেল তৈরির আরও তথ্যের জন্য, কর্মক্ষমতা সেরা অনুশীলনগুলি দেখুন।
মডেল উন্নয়ন
একটি LiteRT মডেল তৈরি করতে, আপনাকে প্রথমে TensorFlow কোর লাইব্রেরি ব্যবহার করে একটি মডেল তৈরি করতে হবে। TensorFlow কোর লাইব্রেরি হল নিম্ন-স্তরের লাইব্রেরি যা ML মডেল তৈরি, প্রশিক্ষণ এবং স্থাপনের জন্য API প্রদান করে।
TensorFlow এটি করার জন্য দুটি পথ প্রদান করে। আপনি আপনার নিজস্ব কাস্টম মডেল কোড বিকাশ করতে পারেন অথবা আপনি টেনসরফ্লো মডেল গার্ডেনে উপলব্ধ একটি মডেল বাস্তবায়ন দিয়ে শুরু করতে পারেন।
মডেল গার্ডেন
TensorFlow মডেল গার্ডেন দৃষ্টি এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) এর জন্য অনেক অত্যাধুনিক মেশিন লার্নিং (ML) মডেলের বাস্তবায়ন প্রদান করে। আপনি দ্রুত কনফিগার করতে এবং স্ট্যান্ডার্ড ডেটাসেটে সেই মডেলগুলি চালানোর জন্য ওয়ার্কফ্লো সরঞ্জামগুলিও খুঁজে পাবেন। মডেল গার্ডেনের মেশিন লার্নিং মডেলগুলিতে সম্পূর্ণ কোড রয়েছে যাতে আপনি আপনার নিজস্ব ডেটাসেটগুলি ব্যবহার করে পরীক্ষা, প্রশিক্ষণ বা পুনরায় প্রশিক্ষণ দিতে পারেন।
আপনি একটি সুপরিচিত মডেলের জন্য বেঞ্চমার্ক পারফরম্যান্স খুঁজছেন, সম্প্রতি প্রকাশিত গবেষণার ফলাফল যাচাই করুন, বা বিদ্যমান মডেলগুলি প্রসারিত করুন, মডেল গার্ডেন আপনাকে আপনার ML লক্ষ্যগুলি চালাতে সহায়তা করতে পারে।
কাস্টম মডেল
যদি আপনার ব্যবহারের ক্ষেত্রে মডেল গার্ডেনের মডেলগুলির দ্বারা সমর্থিত হয় তবে আপনি আপনার কাস্টম প্রশিক্ষণ কোড বিকাশের জন্য কেরাসের মতো একটি উচ্চ স্তরের লাইব্রেরি ব্যবহার করতে পারেন। TensorFlow এর মৌলিক বিষয়গুলো জানতে, TensorFlow গাইড দেখুন। উদাহরণ দিয়ে শুরু করার জন্য, TensorFlow টিউটোরিয়াল ওভারভিউ দেখুন যাতে বিশেষজ্ঞ স্তরের টিউটোরিয়াল শুরু করার জন্য পয়েন্টার রয়েছে।
মডেল মূল্যায়ন
একবার আপনি আপনার মডেলটি তৈরি করার পরে, আপনার এটির কার্যকারিতা মূল্যায়ন করা উচিত এবং শেষ-ব্যবহারকারী ডিভাইসগুলিতে এটি পরীক্ষা করা উচিত। TensorFlow এটি করার কয়েকটি উপায় প্রদান করে।
- TensorBoard হল মেশিন লার্নিং ওয়ার্কফ্লো চলাকালীন প্রয়োজনীয় পরিমাপ এবং ভিজ্যুয়ালাইজেশন প্রদান করার একটি টুল। এটি ক্ষতি এবং নির্ভুলতা, মডেল গ্রাফটি ভিজ্যুয়ালাইজ করা, নিম্ন মাত্রিক স্থানে এম্বেডিং প্রজেক্ট করা এবং আরও অনেক কিছুর মতো ট্র্যাকিং পরীক্ষার মেট্রিক্স সক্ষম করে।
- বেঞ্চমার্কিং সরঞ্জামগুলি প্রতিটি সমর্থিত প্ল্যাটফর্মের জন্য উপলব্ধ যেমন Android বেঞ্চমার্ক অ্যাপ এবং iOS বেঞ্চমার্ক অ্যাপ। গুরুত্বপূর্ণ পারফরম্যান্স মেট্রিক্সের পরিসংখ্যান পরিমাপ এবং গণনা করতে এই সরঞ্জামগুলি ব্যবহার করুন।
মডেল অপ্টিমাইজেশান
TensorFlow Lite মডেলগুলির জন্য নির্দিষ্ট সংস্থানগুলির সীমাবদ্ধতার সাথে, মডেল অপ্টিমাইজেশন আপনার মডেলের কার্যকারিতা ভালভাবে নিশ্চিত করতে এবং কম গণনা সংস্থান ব্যবহার করতে সহায়তা করতে পারে। মেশিন লার্নিং মডেল পারফরম্যান্স সাধারণত আকার এবং অনুমান বনাম নির্ভুলতার গতির মধ্যে ভারসাম্য। LiteRT বর্তমানে কোয়ান্টাইজেশন, ছাঁটাই এবং ক্লাস্টারিংয়ের মাধ্যমে অপ্টিমাইজেশন সমর্থন করে। এই কৌশল সম্পর্কে আরো বিস্তারিত জানার জন্য মডেল অপ্টিমাইজেশান বিষয় দেখুন. TensorFlow একটি মডেল অপ্টিমাইজেশান টুলকিটও প্রদান করে যা একটি API প্রদান করে যা এই কৌশলগুলি প্রয়োগ করে।
পরবর্তী পদক্ষেপ
- আপনার কাস্টম মডেল তৈরি করা শুরু করতে, TensorFlow মূল ডকুমেন্টেশনে নতুনদের টিউটোরিয়ালের জন্য দ্রুত শুরু দেখুন।
- আপনার কাস্টম TensorFlow মডেল রূপান্তর করতে, রূপান্তর মডেল ওভারভিউ দেখুন।
- আপনার মডেল LiteRT এর সাথে সামঞ্জস্যপূর্ণ কিনা বা এটিকে সামঞ্জস্যপূর্ণ করার জন্য আপনাকে অতিরিক্ত পদক্ষেপ নিতে হবে কিনা তা নির্ধারণ করতে অপারেটর সামঞ্জস্যতা নির্দেশিকা দেখুন।
- আপনার LiteRT মডেলগুলিকে দক্ষ এবং পারফরম্যান্ট করার জন্য নির্দেশিকা পেতে পারফরম্যান্সের সর্বোত্তম অনুশীলন নির্দেশিকা দেখুন।
- বেঞ্চমার্কিং টুল ব্যবহার করে কিভাবে আপনার মডেলের কর্মক্ষমতা পরিমাপ করতে হয় তা জানতে পারফরম্যান্স মেট্রিক্স গাইড দেখুন।