將您的 TFLite 程式碼遷移至 TF2

在 TensorFlow.org 上檢視 在 Google Colab 中執行 在 GitHub 上檢視原始碼 下載筆記本

TensorFlow Lite (TFLite) 是一組工具，可協助開發人員在裝置端 (行動裝置、嵌入式裝置和 IoT 裝置) 執行 ML 推論。TFLite 轉換器就是其中一種工具，可將現有的 TF 模型轉換為經過最佳化的 TFLite 模型格式，以便在裝置端有效率地執行。

在本文中，您將瞭解您需要對 TF 轉 TFLite 轉換程式碼進行哪些變更，接著會提供幾個執行相同作業的範例。

TF 轉 TFLite 轉換程式碼的變更

  • 如果您使用的是舊版 TF1 模型格式 (例如 Keras 檔案、frozen GraphDef、檢查點、tf.Session)，請將其更新為 TF1/TF2 SavedModel，並使用 TF2 轉換器 API tf.lite.TFLiteConverter.from_saved_model(...) 將其轉換為 TFLite 模型 (請參閱表 1)。

  • 更新轉換器 API 旗標 (請參閱表 2)。

  • 移除舊版 API，例如 tf.lite.constants。(例如：將 tf.lite.constants.INT8 替換為 tf.int8)

// 表 1 // TFLite Python 轉換器 API 更新

TF1 API TF2 API
tf.lite.TFLiteConverter.from_saved_model('saved_model/',..) 支援
tf.lite.TFLiteConverter.from_keras_model_file('model.h5',..) 已移除 (更新為 SavedModel 格式)
tf.lite.TFLiteConverter.from_frozen_graph('model.pb',..) 已移除 (更新為 SavedModel 格式)
tf.lite.TFLiteConverter.from_session(sess,...) 已移除 (更新為 SavedModel 格式)

// 表 2 // TFLite Python 轉換器 API 旗標更新

TF1 API TF2 API
allow_custom_ops
optimizations
representative_dataset
target_spec
inference_input_type
inference_output_type
experimental_new_converter
experimental_new_quantizer		 支援







input_tensors
output_tensors
input_arrays_with_shape
output_arrays
experimental_debug_info_func		 已移除 (不支援的轉換器 API 引數)
change_concat_input_ranges
default_ranges_stats
get_input_arrays()
inference_type
quantized_input_stats
reorder_across_fake_quant		 已移除 (不支援的量化工作流程)
conversion_summary_dir
dump_graphviz_dir
dump_graphviz_video		 已移除 (改為使用 Netron 或 visualize.py 來視覺化模型)
output_format
drop_control_dependency		 已移除 (TF2 中不支援的功能)

範例

您現在將逐步瞭解一些範例，以將舊版 TF1 模型轉換為 TF1/TF2 SavedModel，然後將其轉換為 TF2 TFLite 模型。

設定

從必要的 TensorFlow 匯入項目開始。

import tensorflow as tf
import tensorflow.compat.v1 as tf1
import numpy as np

import logging
logger = tf.get_logger()
logger.setLevel(logging.ERROR)

import shutil
def remove_dir(path):
  try:
    shutil.rmtree(path)
  except:
    pass

建立所有必要的 TF1 模型格式。

# Create a TF1 SavedModel
SAVED_MODEL_DIR = "tf_saved_model/"
remove_dir(SAVED_MODEL_DIR)
with tf1.Graph().as_default() as g:
  with tf1.Session() as sess:
    input = tf1.placeholder(tf.float32, shape=(3,), name='input')
    output = input + 2
    # print("result: ", sess.run(output, {input: [0., 2., 4.]}))
    tf1.saved_model.simple_save(
        sess, SAVED_MODEL_DIR,
        inputs={'input': input}, 
        outputs={'output': output})
print("TF1 SavedModel path: ", SAVED_MODEL_DIR)

# Create a TF1 Keras model
KERAS_MODEL_PATH = 'tf_keras_model.h5'
model = tf1.keras.models.Sequential([
    tf1.keras.layers.InputLayer(input_shape=(128, 128, 3,), name='input'),
    tf1.keras.layers.Dense(units=16, input_shape=(128, 128, 3,), activation='relu'),
    tf1.keras.layers.Dense(units=1, name='output')
])
model.save(KERAS_MODEL_PATH, save_format='h5')
print("TF1 Keras Model path: ", KERAS_MODEL_PATH)

# Create a TF1 frozen GraphDef model
GRAPH_DEF_MODEL_PATH = tf.keras.utils.get_file(
    'mobilenet_v1_0.25_128',
    origin='https://storage.googleapis.com/download.tensorflow.org/models/mobilenet_v1_0.25_128_frozen.tgz',
    untar=True,
) + '/frozen_graph.pb'

print("TF1 frozen GraphDef path: ", GRAPH_DEF_MODEL_PATH)

1. 將 TF1 SavedModel 轉換為 TFLite 模型

之前：使用 TF1 轉換

這是 TF1 樣式 TFlite 轉換的典型程式碼。

converter = tf1.lite.TFLiteConverter.from_saved_model(
    saved_model_dir=SAVED_MODEL_DIR,
    input_arrays=['input'],
    input_shapes={'input' : [3]}
)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()
# Ignore warning: "Use '@tf.function' or '@defun' to decorate the function."

之後：使用 TF2 轉換

使用較小的 v2 轉換器旗標集，將 TF1 SavedModel 直接轉換為 TFLite 模型。

# Convert TF1 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir=SAVED_MODEL_DIR)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
tflite_model = converter.convert()

2. 將 TF1 Keras 模型檔案轉換為 TFLite 模型

之前：使用 TF1 轉換

這是 TF1 樣式 TFlite 轉換的典型程式碼。

converter = tf1.lite.TFLiteConverter.from_keras_model_file(model_file=KERAS_MODEL_PATH)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()

之後：使用 TF2 轉換

首先，將 TF1 Keras 模型檔案轉換為 TF2 SavedModel，然後使用較小的 v2 轉換器旗標集將其轉換為 TFLite 模型。

# Convert TF1 Keras model file to TF2 SavedModel.
model = tf.keras.models.load_model(KERAS_MODEL_PATH)
model.save(filepath='saved_model_2/')

# Convert TF2 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir='saved_model_2/')
tflite_model = converter.convert()

3. 將 TF1 frozen GraphDef 轉換為 TFLite 模型

之前：使用 TF1 轉換

這是 TF1 樣式 TFlite 轉換的典型程式碼。

converter = tf1.lite.TFLiteConverter.from_frozen_graph(
    graph_def_file=GRAPH_DEF_MODEL_PATH,
    input_arrays=['input'],
    input_shapes={'input' : [1, 128, 128, 3]},
    output_arrays=['MobilenetV1/Predictions/Softmax'],
)
converter.optimizations = {tf.lite.Optimize.DEFAULT}
converter.change_concat_input_ranges = True
tflite_model = converter.convert()

之後：使用 TF2 轉換

首先，將 TF1 frozen GraphDef 轉換為 TF1 SavedModel，然後使用較小的 v2 轉換器旗標集將其轉換為 TFLite 模型。

## Convert TF1 frozen Graph to TF1 SavedModel.

# Load the graph as a v1.GraphDef
import pathlib
gdef = tf.compat.v1.GraphDef()
gdef.ParseFromString(pathlib.Path(GRAPH_DEF_MODEL_PATH).read_bytes())

# Convert the GraphDef to a tf.Graph
with tf.Graph().as_default() as g:
  tf.graph_util.import_graph_def(gdef, name="")

# Look up the input and output tensors.
input_tensor = g.get_tensor_by_name('input:0') 
output_tensor = g.get_tensor_by_name('MobilenetV1/Predictions/Softmax:0')

# Save the graph as a TF1 Savedmodel
remove_dir('saved_model_3/')
with tf.compat.v1.Session(graph=g) as s:
  tf.compat.v1.saved_model.simple_save(
      session=s,
      export_dir='saved_model_3/',
      inputs={'input':input_tensor},
      outputs={'output':output_tensor})

# Convert TF1 SavedModel to a TFLite model.
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir='saved_model_3/')
converter.optimizations = {tf.lite.Optimize.DEFAULT}
tflite_model = converter.convert()

延伸閱讀

  • 請參閱 TFLite 指南，進一步瞭解工作流程和最新功能。
  • 如果您使用的是 TF1 程式碼或舊版 TF1 模型格式 (Keras .h5 檔案、frozen GraphDef .pb 等)，請更新您的程式碼，並將您的模型遷移至 TF2 SavedModel 格式。