TensorFlow Lite开发之——TensorFlow Lite模型(2)

发表于 分类于 ， ， 阅读时长 ≈ 2 分钟

一 概述

TensorFlow Lite 模型文件的扩展名为“.tflite”，开发时放到资源文件夹中供开发者调用。本文主要介绍三种生成TensorFlow Lite 模型的方式

二 TensorFlow Lite 三种模型

2.1 现有TensorFlow Lite模型

官方已经训练过的模型，列表如下(19种)

No 模型 描述 示例
1 自动补全 使用Keras语言模型为文本输入生成建议 示例应用
2 图像分类 识别数百个对象，包括人、活动、动物、植物和地点 示例应用
3 对象检测 使用边界框检测多个对象。比如侦测狗和猫 示例应用
4 姿势估计 比如单人或多人的姿势 示例应用
5 语言识别 通过识别关键字来识别语音指令 示例应用
6 手势识别 使用网络摄像头识别手势 示例应用
7 分割 通过极为准确的定位功能和语义标签，精确确定对象的形状 示例应用
8 文本分类 将自由文本归类到预定义组中。包括污辱性内容 示例应用
9 设备端建议 根据用户选择的事件提供个性化的设备端建议 示例应用
10 自然语言处理回答问题 通过BERT根据给定文本段落的内容回答问题 示例应用
11 数字分类器 对手写数字进行分类 示例应用
12 风格迁移 在输入图像上应用任意样式，创建新的艺术图像 示例应用
13 智能回复 生成回复建议以输入对话聊天消息 示例应用
14 超分辨率 根据低分辨率图像生成超分辨率图像 示例应用
15 音频分类 使用麦克风对音频进行分类 示例应用
16 视频分类 识别视频片段中的人体动作 示例应用
17 强化学习 使用强化学习训练游戏代理 示例应用
18 光学字符识别 借助TensorFlow Lite，从图像中提取文字 示例应用
19 设备端训练 在设备上训练TensorFlow Lite模 示例应用

2.2 创建TensorFlow Lite模型

1-可供训练类型

No 任务 功效
1 图像分类 将图像分成预定义类别
2 文字分类 将文字分成预定义类别
3 BERT 问答 使用 BERT 在特定上下文中查找给定问题的答案

2-图像分类训练示例(Python)

1
2
3
4
5
6
7
8
9
10
11
12
# 1-加载输入数据
data = ImageClassifierDataLoader.from_folder('flower_photos/')
train_data, test_data = data.split(0.9)

# 2-自定义TensorFlow模型
model = image_classifier.create(train_data)

# 3-评估模型
loss, accuracy = model.evaluate(test_data)

# 4-导出到Tensorflow Lite模型，并在`Export_dir`中标记文件
model.export(export_dir='/tmp/')

2.3 将 TensorFlow 模型转换为 TensorFlow Lite 模型

1- TensorFlow Lite 转换器

将 TensorFlow 模型转换为 TensorFlow Lite 模型工具： TensorFlow Lite 转换器

有两种方式：

  • Python API：它让您可以更轻松地在模型开发流水线中转换模型、应用优化、添加元数据，并且拥有更多功能。
  • 命令行：它仅支持基本模型转换

2- Python API转换方式

2-1 使用 tf.lite.TFLiteConverter 转换 TensorFlow 2.x 模型

2-2 使用 tf.compat.v1.lite.TFLiteConverter 转换 TensorFlow 1.x 模型

三 参考

  • 创建 TensorFlow Lite 模型
  • TensorFlow Lite 示例应用
  • 创建 TensorFlow Lite 模型
  • 将 TensorFlow 模型转换为 TensorFlow Lite 模型