tflite.ipynb

Kernel: Python 3

Copyright 2021 The TensorFlow Authors.

#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

将您的 TFLite 代码迁移到 TF2

在 TensorFlow.org 上查看

在 Google Colab 中运行

在 GitHub 上查看源代码

下载笔记本

TensorFlow Lite (TFLite) 是一套工具，可帮助开发者在设备端（移动、嵌入式和物联网设备）上运行机器学习推断。TFLite 转换器可以将现有 TF 模型转换为可在设备端高效运行的优化 TFLite 模型格式。

在本文档中，您将了解需要对 TF 到 TFLite 的转换代码进行哪些更改，然后是几个实现相同目标的示例。

TF 到 TFLite 转换代码的更改

• 如果您使用的是旧版 TF1 模型格式（例如，Keras 文件、冻结的 GraphDef、检查点、tf.Session 等），请将其更新为 TF1/TF2 SavedModel，并使用 TF2 转换器 API tf.lite.TFLiteConverter.from_saved_model(...) 将其转换为 TFLite 模型（请参见表 1）。

• 更新转换器 API 标志（请参见表 2）。

• 移除旧版 API，例如 tf.lite.constants。（例如：将 tf.lite.constants.INT8 替换为 tf.int8）

// 表 1 // TFLite Python 转换器 API 更新

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

<style> .table {margin-left: 0 !important;} </style>

// 表 2 // TFLite Python 转换器 API 标志更新

TF1 API	TF2 API
allow_custom_ops optimizations representative_dataset target_spec inference_input_type inference_output_type experimental_new_converter experimental_new_quantizer	支持
input_tensors output_tensors input_arrays_with_shape output_arrays experimental_debug_info_func	已移除（不支持的转换器 API 参数）
change_concat_input_ranges default_ranges_stats get_input_arrays() inference_type quantized_input_stats reorder_across_fake_quant	已移除（不支持的量化工作流）
conversion_summary_dir dump_graphviz_dir dump_graphviz_video	已移除（改为使用 Netron 或 visualize.py 呈现模型）
output_format drop_control_dependency	已移除（TF2 中不支持的功能）

示例

您现在将演练一些示例，将旧版 TF1 模型转换为 TF1/TF2 SavedModel，然后将其转换为 TF2 TFLite 模型。

安装

从必要的 TensorFlow 导入开始。

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

创建所有必要的 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. 将 TF1 SavedModel 转换为 TFLite 模型

之前：使用 TF1 进行转换

下面是 TF1 样式 TFlite 转换的典型代码。

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."

之后：使用 TF2 进行转换

将 TF1 SavedModel 直接转换为 TFLite 模型，并设置较小的 v2 转换器标志。

# 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. 将 TF1 Keras 模型文件转换为 TFLite 模型

之前：使用 TF1 进行转换

下面是 TF1 样式 TFlite 转换的典型代码。

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()

之后：使用 TF2 进行转换

首先，将 TF1 Keras 模型文件转换为 TF2 SavedModel，然后将其转换为 TFLite 模型，并设置较小的 v2 转换器标志。

# 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. 将 TF1 冻结的 GraphDef 转换为 TFLite 模型

之前：使用 TF1 进行转换

下面是 TF1 样式 TFlite 转换的典型代码。

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()

之后：使用 TF2 进行转换

首先，将 TF1 冻结的 GraphDef 转换为 TF1 SavedModel，然后将其转换为 TFLite 模型，并设置较小的 v2 转换器标志。

## 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()

延伸阅读

• 请参阅 TFLite 指南来详细了解工作流和最新功能。

• 如果您使用的是 TF1 代码或旧版 TF1 模型格式（Keras .h5 文件、冻结的 GraphDef .pb 等），请更新您的代码并将您的模型迁移到 TF2 SavedModel 格式。