Actualizaciones de la API

Esta página proporciona información sobre las actualizaciones realizadas en la API de Python de tf.lite.TFLiteConverter en TensorFlow 2.x.

Nota: Si alguno de los cambios le preocupa, levante un GitHub issue.

• TensorFlow 2.3

  • Admite el tipo de entrada/salida entero (antes, sólo flotante) para modelos cuantificados enteros usando los nuevos atributos inference_input_type e inference_output_type. Consulte este ejemplo de uso.

  • Admite la conversión y el redimensionamiento de modelos con dimensiones dinámicas.

  • Se ha añadido un nuevo modo de cuantización experimental con activaciones de 16 bits y ponderaciones de 8 bits.

• TensorFlow 2.2

  • De forma predeterminada, aprovecha la conversión basada en MLIR, la tecnología de compilación de vanguardia de Google para el aprendizaje automático. Esto permite la conversión de nuevas clases de modelos, incluidos Mask R-CNN, Mobile BERT, etc. y admite modelos con flujo de control funcional.

• TensorFlow 2.0 vs TensorFlow 1.x

  • Se cambió el nombre del atributo target_ops a target_spec.supported_ops.

  • Se eliminaron los siguientes atributos:

    • cuantización: inference_type, quantized_input_stats, post_training_quantize, default_ranges_stats, reorder_across_fake_quant, change_concat_input_ranges, get_input_arrays(). En su lugar, el entrenamiento consciente de la cuantización se soporta a través de la API tf.keras y la cuantización posterior al entrenamiento usa menos atributos.

    • visualización: output_format, dump_graphviz_dir, dump_graphviz_video. En su lugar, el enfoque recomendado para visualizar un modelo TensorFlow Lite es usar visualize.py.

    • grafos congelados: drop_control_dependency, ya que los grafos congelados no están soportados en TensorFlow 2.x.

  • Se eliminaron otras API de conversores como tf.lite.toco_convert y tf.lite.TocoConverter.

  • Se eliminaron otras API relacionadas, como tf.lite.OpHint y tf.lite.constants (los tipos tf.lite.constants.* se han mapeado a los tipos de datos TensorFlow tf.*, para reducir la duplicación)