LiteRT मॉडल बनाएं

इस पेज पर, TensorFlow के मॉडल बनाने के बारे में बताया गया है. इनका इस्तेमाल करके, LiteRT मॉडल फ़ॉर्मैट में बदलने का इरादा रखता है. मशीन LiteRT के साथ इस्तेमाल किए जाने वाले लर्निंग (एमएल) मॉडल, असल में बनाए गए हैं और की ट्रेनिंग के लिए, TensorFlow की कोर लाइब्रेरी और टूल का इस्तेमाल किया गया है. मॉडल बनाने के बाद TensorFlow कोर की मदद से, इसे छोटे और बेहतर एमएल मॉडल में बदला जा सकता है LiteRT मॉडल कहते हैं.

अगर आपके पास पहले से ही ग्राहक में बदलने वाला कोई मॉडल है, तो मॉडल बदलना खास जानकारी पेज पर जाएं.

अपना मॉडल बनाना

अगर आप अपने विशिष्ट उपयोग के लिए कस्टम मॉडल बना रहे हैं, तो आपको TensorFlow के मॉडल को डेवलप और ट्रेनिंग देने या मौजूदा मॉडल को बढ़ाने से जुड़ी है.

मॉडल डिज़ाइन कंस्ट्रेंट

मॉडल डेवलपमेंट की प्रोसेस शुरू करने से पहले, आपको इन चीज़ों के बारे में पता होना चाहिए: LiteRT मॉडल के लिए कंस्ट्रेंट और इनका इस्तेमाल करके अपना मॉडल बनाना इन सीमाओं को ध्यान में रखें:

  • कंप्यूट की सीमित क्षमता - सभी डिवाइसों और सुविधाओं के साथ काम करने वाले सर्वर की तुलना में, एक से ज़्यादा सीपीयू, ज़्यादा मेमोरी क्षमता, और खास प्रोसेसर, जैसे कि जीपीयू और TPU, मोबाइल और एज वाले डिवाइस बहुत सीमित हैं. हालांकि, वे ये मॉडल, कंप्यूट पावर और अलग-अलग हार्डवेयर डिवाइसों के साथ काम करने के साथ-साथ, इन मॉडल और डेटा जो आप उनकी मदद से असरदार तरीके से प्रोसेस कर सकें, वह अब भी तुलनात्मक रूप से सीमित है.
  • मॉडल का साइज़ - डेटा के साथ-साथ किसी मॉडल की पूरी जटिलता प्री-प्रोसेसिंग लॉजिक और मॉडल में लेयर की संख्या बढ़ाने से, मेमोरी में मौजूद मॉडल का साइज़. कोई बड़ा मॉडल असामान्य रूप से धीमा या आसानी से काम कर सकता है हो सकता है कि यह मोबाइल या किनारे वाले डिवाइस की उपलब्ध मेमोरी में फ़िट न हो.
  • डेटा का साइज़ - असरदार तरीके से प्रोसेस किए जा सकने वाले इनपुट डेटा का साइज़ जो मोबाइल या किनारे वाले डिवाइस पर सीमित तौर पर काम करता है. मॉडल जो भाषा की लाइब्रेरी, इमेज लाइब्रेरी, हो सकता है कि वीडियो क्लिप लाइब्रेरी इन डिवाइसों पर ठीक से न दिखें और इसके लिए इनका इस्तेमाल करना ज़रूरी हो सकता है डिवाइस का स्टोरेज और उससे जुड़े समाधान ऐक्सेस करें.
  • TensorFlow के साथ काम करने वाली कार्रवाइयां - LiteRT रनटाइम एनवायरमेंट सामान्य की तुलना में मशीन लर्निंग मॉडल ऑपरेशन के एक सबसेट का समर्थन करना TensorFlow के मॉडल. LiteRT के साथ इस्तेमाल करने के लिए मॉडल डेवलप करने पर, को ट्रैक करना चाहिए कि आपके मॉडल की अफ़िलिएट प्रोग्राम LiteRT रनटाइम एनवायरमेंट.

अधिक जानकारी के लिए, LiteRT, परफ़ॉर्मेंस के सबसे सही तरीके देखें.

मॉडल डेवलपमेंट

LiteRT मॉडल बनाने के लिए, आपको सबसे पहले TensorFlow कोर लाइब्रेरी. TensorFlow कोर लाइब्रेरी निचले स्तर की होती हैं ऐसी लाइब्रेरी जो एमएल मॉडल बनाने, ट्रेनिंग देने, और डिप्लॉय करने के लिए एपीआई उपलब्ध कराती हैं.

TFLite बिल्ड वर्कफ़्लो

ऐसा करने के लिए, TensorFlow दो पाथ देता है. अपनी पसंद के मुताबिक, मॉडल कोड का इस्तेमाल किया जा सकता है या आप TensorFlow मॉडल गार्डन.

मॉडल गार्डन

TensorFlow मॉडल गार्डन में कई आधुनिक चीज़ें दिखाई गई हैं विज़न और नैचुरल लैंग्वेज प्रोसेसिंग (एनएलपी) के लिए मशीन लर्निंग (एमएल) मॉडल. आपको ऐसे वर्कफ़्लो टूल भी मिलेंगे जिनकी मदद से, तेज़ी से उन्हें कॉन्फ़िगर करके इस्तेमाल किया जा सकता है पर मॉडल की जानकारी देखें. मॉडल गार्डन में मशीन लर्निंग के मॉडल पूरा कोड डालें, ताकि आप खुद से कोड का इस्तेमाल करके, उन्हें टेस्ट कर सकें, उन्हें ट्रेनिंग दे सकें या उन्हें फिर से ट्रेनिंग दे सकें डेटासेट.

अगर आपको किसी जाने-माने मॉडल की परफ़ॉर्मेंस को बेंचमार्क करना है, तो या मौजूदा मॉडल का विस्तार करने के लिए, मॉडल Garden, आपके ML लक्ष्यों को पूरा करने में आपकी मदद कर सकता है.

कस्टम मॉडल

अगर आपके इस्तेमाल का उदाहरण, मॉडल गार्डन के मॉडल में इस्तेमाल किए जाने वाले उदाहरणों से बाहर है, आप एक बेहतर लाइब्रेरी का इस्तेमाल करके, जैसे कि Keras कस्टम ट्रेनिंग कोड शामिल करें. TensorFlow की बुनियादी बातें जानने के लिए, यहां जाएं: TensorFlow की गाइड. शुरू करने के लिए उदाहरण के लिए, TensorFlow के ट्यूटोरियल देखें खास जानकारी जिसमें पॉइंटर होते हैं एक्सपर्ट लेवल के ट्यूटोरियल से लेकर.

मॉडल का आकलन

मॉडल विकसित कर लेने के बाद, आपको उसकी परफ़ॉर्मेंस का आकलन करना चाहिए और असली उपयोगकर्ताओं के डिवाइसों पर. ऐसा करने के लिए, TensorFlow कुछ तरीके उपलब्ध कराता है.

  • TensorBoard एक ऐसा टूल है जो इस अवधि के दौरान ज़रूरी माप और विज़ुअलाइज़ेशन देता है में इस्तेमाल किया जा सकता है. इसकी मदद से, प्रयोग के दौरान हुई गिरावट जैसी मेट्रिक को ट्रैक किया जा सकता है साथ ही, वे सटीक होने के साथ-साथ, मॉडल ग्राफ़ को विज़ुअलाइज़ करते हैं, एम्बेड किए गए कॉन्टेंट को निचले हिस्से पर रखते हैं और भी बहुत कुछ है.
  • बेंचमार्किंग टूल, उन सभी के लिए उपलब्ध हैं जिनका इस्तेमाल किया जा सकता है प्लैटफ़ॉर्म, जैसे कि Android मानदंड ऐप्लिकेशन और iOS मानदंड ऐप्लिकेशन. इस्तेमाल की जाने वाली चीज़ें इन टूल की मदद से, अपनी परफ़ॉर्मेंस से जुड़े आंकड़ों को मेज़र और कैलकुलेट किया जा सकता है मेट्रिक.

मॉडल ऑप्टिमाइज़ेशन

TensorFlow के लिए खास संसाधनों पर मौजूद सीमाओं के साथ लाइट मॉडल, मॉडल को ऑप्टिमाइज़ करने से आपके मॉडल की परफ़ॉर्मेंस अच्छी रहती है साथ ही, यह कम कंप्यूट रिसॉर्स का इस्तेमाल करता है. आम तौर पर, मशीन लर्निंग मॉडल की परफ़ॉर्मेंस अनुमान के साइज़ और स्पीड के बीच संतुलन बनाम सटीक अनुमान. LiteRT फ़िलहाल, क्वांटाइज़ेशन, प्ररनिंग, और क्लस्टरिंग के ज़रिए ऑप्टिमाइज़ेशन का इस्तेमाल करता है. यहां जाएं: तो मॉडल ऑप्टिमाइज़ेशन पर जाएं. तकनीक. TensorFlow, मॉडल ऑप्टिमाइज़ेशन टूलकिट, जो इन चीज़ों को लागू करने वाला एपीआई उपलब्ध कराता है तकनीक.

अगले चरण