Modèles JAX avec LiteRT

Cette page fournit un chemin d'accès aux utilisateurs qui souhaitent entraîner des modèles en JAX et les déployer vers une application mobile à des fins d'inférence (exemple de code Colab).

Les méthodes décrites dans ce guide génèrent un tflite_model qui peut être utilisé directement avec l'exemple de code d'interpréteur TFLite ou enregistré dans un fichier FlatBuffer TFLite.

Conditions préalables

Nous vous recommandons d'essayer cette fonctionnalité avec la dernière version nocturne de TensorFlow d'un package.

pip install tf-nightly --upgrade

Nous allons utiliser le modèle Orbax Exportez la bibliothèque vers exporter des modèles JAX. Assurez-vous que votre version de JAX est la version 0.4.20 ou ultérieure.

pip install jax --upgrade
pip install orbax-export --upgrade

Convertir des modèles JAX au format LiteRT

Nous utilisons le modèle SavedModel comme modèle intermédiaire entre JAX et LiteRT. Une fois que vous avez un SavedModel, les API LiteRT existantes peuvent être utilisées pour terminer le processus de conversion.

# This code snippet converts a JAX model to TFLite through TF SavedModel.
from orbax.export import ExportManager
from orbax.export import JaxModule
from orbax.export import ServingConfig
import tensorflow as tf
import jax.numpy as jnp

def model_fn(_, x):
  return jnp.sin(jnp.cos(x))

jax_module = JaxModule({}, model_fn, input_polymorphic_shape='b, ...')

# Option 1: Simply save the model via `tf.saved_model.save` if no need for pre/post
# processing.
tf.saved_model.save(
    jax_module,
    '/some/directory',
    signatures=jax_module.methods[JaxModule.DEFAULT_METHOD_KEY].get_concrete_function(
        tf.TensorSpec(shape=(None,), dtype=tf.float32, name="input")
    ),
    options=tf.saved_model.SaveOptions(experimental_custom_gradients=True),
)
converter = tf.lite.TFLiteConverter.from_saved_model('/some/directory')
tflite_model = converter.convert()

# Option 2: Define pre/post processing TF functions (e.g. (de)?tokenize).
serving_config = ServingConfig(
    'Serving_default',
    # Corresponds to the input signature of `tf_preprocessor`
    input_signature=[tf.TensorSpec(shape=(None,), dtype=tf.float32, name='input')],
    tf_preprocessor=lambda x: x,
    tf_postprocessor=lambda out: {'output': out}
)
export_mgr = ExportManager(jax_module, [serving_config])
export_mgr.save('/some/directory')
converter = tf.lite.TFLiteConverter.from_saved_model('/some/directory')
tflite_model = converter.convert()

# Option 3: Convert from TF concrete function directly
converter = tf.lite.TFLiteConverter.from_concrete_functions(
    [
        jax_module.methods[JaxModule.DEFAULT_METHOD_KEY].get_concrete_function(
            tf.TensorSpec(shape=(None,), dtype=tf.float32, name="input")
        )
    ]
)
tflite_model = converter.convert()

Vérifier le modèle TFLite converti

Une fois le modèle converti au format TFLite, vous pouvez exécuter les API d'interpréteur TFLite pour : vérifier les sorties du modèle.

# Run the model with LiteRT
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors() input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
interpreter.set_tensor(input_details[0]["index"], input_data)
interpreter.invoke()
result = interpreter.get_tensor(output_details[0]["index"])