TFLite Model Maker：用于设备应用的模型定制库。
项目描述
TFLite Model Maker
概述
TFLite Model Maker库简化了将TensorFlow神经网络模型适配和转换为特定输入数据的过程，当将此模型用于设备ML应用时。
要求
- 有关使用库和运行示例代码所需的依赖库，请参阅requirements.txt。
- 注意，您可能还需要为音频任务安装
sndfile。在Debian/Ubuntu上，您可以通过sudo apt-get install libsndfile1进行安装。
安装
有两种安装Model Maker的方法。
- 安装预构建的pip包：
tflite-model-maker。
pip install tflite-model-maker
如果您想安装夜间版本 tflite-model-maker-nightly，请按照以下命令操作
pip install tflite-model-maker-nightly
- 从GitHub克隆源代码并安装。
git clone https://github.com/tensorflow/examples
cd examples/tensorflow_examples/lite/model_maker/pip_package
pip install -e .
TensorFlow Lite Model Maker依赖于TensorFlow pip包。对于GPU支持，请参阅TensorFlow的GPU指南或安装指南。
端到端示例
例如，它可以有一个端到端的图像分类示例，利用这个库只需4行代码，每行代表整体过程的一个步骤。更多细节，您可以参考Colab图像分类。
- 步骤 1. 导入所需的模块。
from tflite_model_maker import image_classifier
from tflite_model_maker.image_classifier import DataLoader
- 步骤 2. 加载特定于设备上ML应用的输入数据。
data = DataLoader.from_folder('flower_photos/')
- 步骤 3. 自定义TensorFlow模型。
model = image_classifier.create(data)
- 步骤 4. 评估模型。
loss, accuracy = model.evaluate()
- 步骤 5. 将模型导出到
export_dir中的TensorFlow Lite模型和标签文件。
model.export(export_dir='/tmp/')
笔记本
目前，我们支持图像分类、文本分类和问答任务。同时，我们在demo文件夹中为每个任务提供示例代码。
下载文件
下载适合您平台的文件。如果您不确定选择哪个，请了解更多关于安装包的信息。
源代码分发
tflite-model-maker-0.4.3.tar.gz (326.9 kB 查看哈希值)
构建分发
tflite_model_maker-0.4.3-py3-none-any.whl (580.1 kB 查看哈希值)
关闭
tflite-model-maker-0.4.3.tar.gz的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | f10dd3ecb57ffc166089663dd18d41b2c4bfeb790eb061a18c6efd4481fb9778 |
|
| MD5 | 5a4ce9ec9a3d7a5e219ea56c0ebdbd0e |
|
| BLAKE2b-256 | aa3a50e3f57382333f9aa3fd4984d741fbe23d6c644ea38cbd4c6d273176b38a |
关闭
tflite_model_maker-0.4.3-py3-none-any.whl的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | b3f2bbdfde4134e889be35cbc49ef8ff27c600be69d95a6b542ee59f238d0a5c |
|
| MD5 | 3070393aaf9a0211935f5b98081fea80 |
|
| BLAKE2b-256 | 9bb9a1736d810dc854e67be0739fd3c31cc9d2d283b8ca101fa9823b3330e53e |
