本頁面說明如何轉換 TensorFlow 模型
轉換成 LiteRT 模型 (經過最佳化調整的
FlatBuffer 格式,這是由
.tflite
副檔名),請使用 LiteRT 轉換工具。
轉換工作流程
下圖是轉換的整體流程圖 您的模型:
圖 1. 轉換器工作流程。
您可以使用下列其中一個選項轉換模型:
- Python API (建議): 這可讓您將轉換整合至開發管道。 套用最佳化設定、新增中繼資料和其他許多工作 轉換程序。
- 指令列:僅支援基本模型轉換。
Python API
輔助程式碼:進一步瞭解 LiteRT 轉換工具
API,執行 print(help(tf.lite.TFLiteConverter))
。
使用以下程式碼轉換 TensorFlow 模型:
tf.lite.TFLiteConverter
。
TensorFlow 模型以 1 格式儲存,
透過高階 tf.keras.*
API (Keras 模型) 產生的模型,或是
用於產生具體函式的低階 tf.*
API身為
您有以下三種選擇 (範例會在接下來的幾個
區段):
tf.lite.TFLiteConverter.from_saved_model()
(建議):轉換 SavedModel。tf.lite.TFLiteConverter.from_keras_model()
:轉換 Keras 模型。tf.lite.TFLiteConverter.from_concrete_functions()
:轉換 具體函式
轉換 AES (建議)
以下範例說明如何將 SavedModel 到 TensorFlow 精簡模式。
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)
轉換 Keras 模型
以下範例說明如何將 匯入 TensorFlow 中的 Keras 模型 精簡模式。
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)
轉換具體函式
以下範例說明如何轉換 具體函式 LiteRT 模型。
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)
其他功能
轉換錯誤
以下是常見的轉換錯誤及相應的解決方案:
錯誤:
Some ops are not supported by the native TFLite runtime, you can enable TF kernels fallback using TF Select.
解決方案:模型中的 TF 運算沒有內容,因此發生錯誤 對應的 TFLite 實作項目。解決方法 在 TFLite 模型中使用 TF 運算 (建議)。 如果只想產生含有 TFLite 運算的模型,您可以 要求取得缺少的 TFLite 運算 GitHub 問題 #21526 (若尚未提及您的要求,請留言) 或 建立 TFLite 運算 你自己。
錯誤:
.. is neither a custom op nor a flex op
解決方案:如果這個 TF 運算:
在 TF 中支援:當指令元素缺少 TF 運算時,就會發生錯誤 allowlist (完整清單) TFLite 支援的 TF 運算)。您可以按照下列方式解決這個問題:
TF 不支援:因為 TFLite 不知道 TFLite 的 自訂 TF 運算子。您可以按照下列方式解決這個問題:
- 建立 TF 運算。
- 將 TF 模型轉換為 TFLite 模型。
- 建立 TFLite 運算 並將其連結至 TFLite 執行階段來執行推論。
指令列工具
如果
從 pip 安裝了 TensorFlow 2.x,請使用
tflite_convert
指令。如要查看所有可用的旗標,請使用
以下指令:
$ 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.
如果你有
TensorFlow 2.x 來源
並希望從該來源執行轉換器,而不建構
安裝套件
你可以將「tflite_convert
」同時
「bazel run tensorflow/lite/python:tflite_convert --
」指令中的位置。
轉換 AES
tflite_convert \
--saved_model_dir=/tmp/mobilenet_saved_model \
--output_file=/tmp/mobilenet.tflite
轉換 Keras H5 模型
tflite_convert \
--keras_model_file=/tmp/mobilenet_keras_model.h5 \
--output_file=/tmp/mobilenet.tflite