GitHub Repository: tensorflow/docs-l10n
Path: blob/master/site/ja/lite/convert/python_api.md
²⁵¹¹⁸ views

コンバータ Python API ガイド

Note: これらのドキュメントは私たちTensorFlowコミュニティが翻訳したものです。コミュニティによる翻訳はベストエフォートであるため、この翻訳が正確であることや英語の公式ドキュメントの最新の状態を反映したものであることを保証することはできません。この翻訳の品質を向上させるためのご意見をお持ちの方は、GitHubリポジトリtensorflow/docsにプルリクエストをお送りください。コミュニティによる翻訳やレビューに参加していただける方は、 [email protected] メーリングリストにご連絡ください。

このページでは、TensorFlow 2.0 の Python API による TensorFlow Lite コンバータの使用例を説明します。

Note: このドキュメントでは TensorFlow 2 の Python API についてのみ記述します。 TensorFlow 1 の Python API についてのドキュメントは GitHub にあります。

[TOC]

Python API

TensorFlow 2.0 において、TensorFlow モデルを TensorFlow Lite に変換する Python API は tf.lite.TFLiteConverter です。 TFLiteConverter には、元のモデルフォーマットに基づいてモデルを変換する以下のクラスメソッドがあります：

TFLiteConverter.from_saved_model(): SavedModel ディレクトリを変換します。
TFLiteConverter.from_keras_model(): tf.keras モデルを変換します。
TFLiteConverter.from_concrete_functions(): 具象関数を変換します。

このドキュメントでは API の使用例、異なるバージョンの TensorFlow で実行する方法を含みます。

例

SavedModel を変換する

以下の例は SavedModel を TensorFlow Lite FlatBuffer に変換する方法を示しています。

import tensorflow as tf

# 基本的なモデルを構築
root = tf.train.Checkpoint()
root.v1 = tf.Variable(3.)
root.v2 = tf.Variable(2.)
root.f = tf.function(lambda x: root.v1 * root.v2 * x)

# モデルを保存
export_dir = "/tmp/test_saved_model"
input_data = tf.constant(1., shape=[1, 1])
to_save = root.f.get_concrete_function(input_data)
tf.saved_model.save(root, export_dir, to_save)

# モデルを変換
converter = tf.lite.TFLiteConverter.from_saved_model(export_dir)
tflite_model = converter.convert()

この API は入力となる任意の配列について、shape を指定するオプションを持ちません。モデルの入力の shape を指定する必要がある場合には、from_concrete_functions クラスメソッドを利用して下さい。コードは次のようになるでしょう。

model = tf.saved_model.load(export_dir)
concrete_func = model.signatures[
  tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY]
concrete_func.inputs[0].set_shape([1, 256, 256, 3])
converter = TFLiteConverter.from_concrete_functions([concrete_func])

Keras モデルを変換する

以下の例は tf.keras モデルを TensorFlow Lite FlatBuffer に変換する方法を示しています.

import tensorflow as tf

# シンプルな Keras モデルを構築
x = [-1, 0, 1, 2, 3, 4]
y = [-3, -1, 1, 3, 5, 7]

model = tf.keras.models.Sequential(
    [tf.keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd', loss='mean_squared_error')
model.fit(x, y, epochs=50)

# モデルを変換
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

具象関数を変換する

以下の例は TensorFlow の具象関数を TensorFlow Lite FlatBuffer に変換する方法を示しています。

import tensorflow as tf

# 基本的な関数を構築
root = tf.train.Checkpoint()
root.v1 = tf.Variable(3.)
root.v2 = tf.Variable(2.)
root.f = tf.function(lambda x: root.v1 * root.v2 * x)

# 具象関数を生成
input_data = tf.constant(1., shape=[1, 1])
concrete_func = root.f.get_concrete_function(input_data)

# モデルを変換
#
# `from_concrete_function` は具象関数のリストを引数に取りますが、
# 現在のところは1つの関数のみをサポートしています。 複数関数の変換は開発中です
converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func])
tflite_model = converter.convert()

End-to-end な MobileNet の変換

以下の例は、訓練済みの tf.keras MobileNet モデルを TensorFlow Lite に変換して実行する方法を示しています。また、元の TensorFlow モデルと TensorFlow Lite モデルの結果をランダムデータで比較しています。モデルをファイルからロードするために、 model_content の代わりに model_path を使用します。

import numpy as np
import tensorflow as tf

# MobileNet tf.keras モデルをロード
model = tf.keras.applications.MobileNetV2(
    weights="imagenet", input_shape=(224, 224, 3))

# モデルを変換
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# TFLite モデルを変換し、テンソルを割当てる
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

# 入出力テンソルを取得
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# TensorFlow Lite モデルをランダムな入力データでテスト
input_shape = input_details[0]['shape']
input_data = np.array(np.random.random_sample(input_shape), dtype=np.float32)
interpreter.set_tensor(input_details[0]['index'], input_data)

interpreter.invoke()

# `get_tensor()` はテンソルのコピーを返す
# テンソルのポインタを取得したい場合は `tensor()` を使う 
tflite_results = interpreter.get_tensor(output_details[0]['index'])

# 元の TensorFlow モデルをランダムな入力データでテスト
tf_results = model(tf.constant(input_data))

# 結果を比較
for tf_result, tflite_result in zip(tf_results, tflite_results):
  np.testing.assert_almost_equal(tf_result, tflite_result, decimal=5)

TensorFlow Lite Metadata

Note: TensorFlow Lite Metadata は experimental (beta) フェーズにあります。

TensorFlow Lite Metadata はモデルの記述についての標準を提供します。メタデータはモデルが何を行うのか、何を入力 / 出力にするのかについて知るための重要な情報源です。これは開発者がベストプラクティスを理解したり、コードジェネレーターがプラットフォーム固有のラッパーとなるコードを生成するのを手助けします。より詳細については TensorFlow Lite Metadata を参照してください。

TensorFlow のインストール

TensorFlow nightly のインストール

TensorFlow nightly は次のコマンドでインストールできます。

pip install tf-nightly

Custom ops in the experimental new converter

カスタムの演算を利用しているモデルが新しいコンバーターでどう扱われるかについて、振る舞いの変更があります。(以前に allow_custom_ops をセットしていたユーザー向けです)

組み込みの TensorFlow の演算

組み込みの TensorFlow の演算で TensorFlow Lite に存在しないものを利用しているモデルをコンバートする場合、(以前と同様に) allow_custom_ops 属性をセットしてください。詳細はこちらにあります。

TensorFlow のカスタムの演算

カスタムの TensorFlow の演算を用いたモデルをコンバートする場合、TensorFlow カーネルと TensorFlow Lite カーネルを記述することを推奨します。これによりモデルが最初から最後まで、TensorFlow でも TensorFlow Lite でも動くことが保証されます。これも allow_custom_ops 属性をセットすることが要求されます。

応用的なカスタム演算の利用 (非推奨)

上記の対応が不可能な場合であっても、関連するカーネルがなくてもカスタムの演算を含む TensorFlow のモデルをコンバートできます。この場合、TensorFlow のカスタム演算の OpDef を --custom_opdefs フラグで指定する必要があります。ただし、これは関連する OpDef が TensorFlow のグローバルレジストリに登録されている場合に限ります。これにより TensorFlow のモデルは検証済みである (つまり、 TensorFlow ランタイムで読み込める) ことを保証できます。

カスタム演算が TensorFlow の演算のグローバルレジストリに登録されていない場合、関連する OpDef を --custom_opdefs フラグで明示する必要があります。これは追加で登録が必要な OpDef の protocol buffer を文字列形式にしたもののリストです。次は TFLiteAwesomeCustomOp という、アウトプットが1つ、インプットが2つ、属性が2つのカスタム演算の場合の例です。

converter.custom\_opdefs="name: 'TFLiteAwesomeCustomOp' input\_arg: { name: 'InputA'
type: DT\_FLOAT } input\_arg: { name: ‘InputB' type: DT\_FLOAT }
output\_arg: { name: 'Output' type: DT\_FLOAT } attr : { name: 'Attr1' type:
'float'} attr : { name: 'Attr2' type: 'list(float)'}"