Path: blob/master/site/pt-br/lite/models/convert/api_updates.md
38477 views
Atualizações da API
Esta página fornece informações sobre as atualizações feita na API do Python tf.lite.TFLiteConverter no TensorFlow 2.x.
Observação: se alguma das alterações gerar preocupações, crie um issue no GitHub.
TensorFlow 2.3
Suporte ao tipo de saída/entrada inteiro (antes, só havia suporte a ponto flutuante) para modelos quantizados com inteiros usando os novos atributos
inference_input_typeeinference_output_type. Confira este exemplo de uso.Suporte à conversão e ao redimensionamento de modelos com dimensões dinâmicas.
Inclusão de um novo modo de quantização experimental com ativações de 16 bits e pesos de 8 bits.
TensorFlow 2.2
Por padrão, use a conversão baseada em MLIR, uma tecnologia de compilação de ponta do Google para aprendizado de máquina que permite fazer a conversão de novas classes de modelos, incluindo Mask R-CNN, Mobile BERT, etc., além de oferecer suporte a modelos com fluxo de controle funcional.
TensorFlow 2.0 versus TensorFlow 1.x
O atributo
target_opsfoi renomeado paratarget_spec.supported_opsOs seguintes atributos foram removidos:
Quantização:
inference_type,quantized_input_stats,post_training_quantize,default_ranges_stats,reorder_across_fake_quant,change_concat_input_ranges,get_input_arrays(). Em vez disso, há suporte ao treinamento com reconhecimento de quantização por meio da APItf.keras, e a quantização pós-treinamento usa menos atributos.Visualização:
output_format,dump_graphviz_dir,dump_graphviz_video. Em vez disso, a estratégia recomendável para visualizar um modelo do TensorFlow lite é o uso de visualize.py.Grafos congelados:
drop_control_dependency, pois não há suporte a grafos congelados no TensorFlow 2.x.
Foram removidas outras APIs de conversão, como
tf.lite.toco_convertetf.lite.TocoConverter.Foram removidas outras APIs relacionadas, como
tf.lite.OpHintetf.lite.constants(os tipostf.lite.constants.*foram mapeados para tipos de dadostf.*do TensorFlow para reduzir a duplicação).