Convierte modelos de TensorFlow

En esta página, se describe cómo convertir un modelo de TensorFlow a un modelo LiteRT (un modelo de FlatBuffer identificado por el .tflite) con el conversor de LiteRT.

Flujo de trabajo de conversiones

En el siguiente diagrama, se ilustra el flujo de trabajo de alto nivel para la conversión tu modelo:

Flujo de trabajo del conversor de TFLite

Figura 1: Flujo de trabajo de Converter.

Puedes convertir tu modelo mediante una de las siguientes opciones:

  1. API de Python (recomendada): Esto te permite integrar la conversión en tu canalización de desarrollo. aplicar optimizaciones, agregar metadatos y muchas otras tareas que simplifican el proceso de conversión.
  2. Línea de comandos: Solo admite la conversión básica de modelos.

API de Python

Código de ayuda: Para obtener más información sobre el conversor de LiteRT API, ejecuta print(help(tf.lite.TFLiteConverter)).

Convertir un modelo de TensorFlow con tf.lite.TFLiteConverter Un modelo de TensorFlow se almacena con el formato de modelo guardado y se generadas con las APIs de tf.keras.* de alto nivel (un modelo de Keras) o las APIs de tf.* de bajo nivel (a partir de las cuales generas funciones concretas) Como resultado, tienes las siguientes tres opciones (los ejemplos se encuentran en los próximos secciones):

En el siguiente ejemplo, se muestra cómo convertir un SavedModel en un TensorFlow Modelo Lite.

import tensorflow as tf

# Convert the model
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) # path to the SavedModel directory
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Convierte un modelo de Keras

En el siguiente ejemplo, se muestra cómo convertir un modelo de Keras en un TensorFlow Modelo Lite.

import tensorflow as tf

# Create a model using high-level tf.keras.* APIs
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1]),
    tf.keras.layers.Dense(units=16, activation='relu'),
    tf.keras.layers.Dense(units=1)
])
model.compile(optimizer='sgd', loss='mean_squared_error') # compile the model
model.fit(x=[-1, 0, 1], y=[-3, -1, 1], epochs=5) # train the model
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_keras_dir")

# Convert the model.
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Convierte funciones concretas

En el siguiente ejemplo, se muestra cómo convertir funciones concretas en una Modelo LiteRT.

import tensorflow as tf

# Create a model using low-level tf.* APIs
class Squared(tf.Module):
  @tf.function(input_signature=[tf.TensorSpec(shape=[None], dtype=tf.float32)])
  def __call__(self, x):
    return tf.square(x)
model = Squared()
# (ro run your model) result = Squared(5.0) # This prints "25.0"
# (to generate a SavedModel) tf.saved_model.save(model, "saved_model_tf_dir")
concrete_func = model.__call__.get_concrete_function()

# Convert the model.

converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func],
                                                            model)
tflite_model = converter.convert()

# Save the model.
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

Otras funciones

  • Aplica optimizaciones. Un problema común la optimización utilizada es cuantización posterior al entrenamiento, lo que puede reducir aún más la latencia y el tamaño de tu modelo con una pérdida mínima exactitud.

  • Agrega metadatos, lo que facilita la creación de la plataforma código de wrapper específico cuando se implementan modelos en dispositivos.

Errores de conversión

A continuación, se incluyen errores comunes de conversión y sus soluciones:

Herramienta de línea de comandos

Si has instalaste TensorFlow 2.x desde pip, usa el comando tflite_convert Para ver todas las marcas disponibles, usa el siguiente comando:

$ tflite_convert --help

`--output_file`. Type: string. Full path of the output file.
`--saved_model_dir`. Type: string. Full path to the SavedModel directory.
`--keras_model_file`. Type: string. Full path to the Keras H5 model file.
`--enable_v1_converter`. Type: bool. (default False) Enables the converter and flags used in TF 1.x instead of TF 2.x.

You are required to provide the `--output_file` flag and either the `--saved_model_dir` or `--keras_model_file` flag.

Si tienes la opción Fuente de TensorFlow 2.x y quieres ejecutar el convertidor desde esa fuente sin compilar ni instalar el paquete puedes reemplazar “tflite_convert” con "bazel run tensorflow/lite/python:tflite_convert --" en el comando.

Cómo convertir un modelo guardado

tflite_convert \
  --saved_model_dir=/tmp/mobilenet_saved_model \
  --output_file=/tmp/mobilenet.tflite

Cómo convertir un modelo de Keras H5

tflite_convert \
  --keras_model_file=/tmp/mobilenet_keras_model.h5 \
  --output_file=/tmp/mobilenet.tflite