在最近的技術開發(fā)和機器學習的世界中，它不再局限於微型雲中，而是在移動設備中。眾所周知，Tensorflow Lite和Pytorch Mobile是直接在手機和平??板電腦上部署模型的兩種最商業(yè)可用的工具。 Tensorflow Lite和Pytorch Mobile均開髮用於手機上的操作，但它們的優(yōu)點和缺點與眾不同。在本文中，我們要知道什麼是Tensorflow Lite，什麼是Pytorch移動設備，它們兩者之間的應用和差異。

學習成果

• 概述設備機器學習以及為什麼它是有益的，而不是基於雲的系統。
• 了解用於移動應用程序部署的TensorFlow Lite和Pytorch Mobile。
• 如何使用TensorFlow Lite和Pytorch移動設備轉換訓練有素的模型以進行部署。
• 比較Tensorflow Lite和Pytorch Mobile的性能，易用性和平臺兼容性。
• 使用Tensorflow Lite和Pytorch Mobile實施現實世界中的示例。

本文作為數據科學博客馬拉鬆的一部分發(fā)表。

目錄

• 什麼是設備機器學習？
• 探索TensorFlow Lite
• Pytorch移動實施
• 性能比較：Tensorflow Lite vs Pytorch手機
• 易用性和開發(fā)人員經驗
• 支持的平臺和設備兼容性
• 模型轉換：從培訓到部署
• Tensorflow Lite和Pytorch手機的用例
• Tensorflow Lite實現
• Pytorch移動實施
• 結論
• 常見問題

什麼是設備機器學習？

我們可以在移動設備上執(zhí)行AI，包括智能手機，平板電腦或任何其他設備在設備機器上學習。我們不需要依靠雲的服務。這些是快速響應，敏感信息的安全性，並且應用程序可以在有或沒有Internet連接的情況下運行，這對於不同的應用程序至關重要；實時識別圖像識別，機器翻譯和增強現實。

探索TensorFlow Lite

TensorFlow Lite是張量流式，通常在具有限制功能的設備上使用。它可以使用，並且與其他操作系統（例如Android和iPhone）兼容。它主要以提供延遲和高性能執(zhí)行為中心。至於Tensorflow Lite，有一個模型優(yōu)化器，可以幫助應用某些方法，例如對模型進行量化。這使模型更快，更小，用於移動部署，這在這種做法中必須提高效率。

Tensorflow Lite的功能

以下是Tensorflow Lite的一些最重要的功能：

• 小二進制尺寸： Tensorflow Lite二進制尺寸可能很小。它可以小至300kb。
• 硬件加速度： TFLITE通過Android的NNAPI和iOS的Coreml等代表支持GPU和其他硬件加速器。
• 模型量化： TFLITE提供了許多不同的量化方法，以優(yōu)化性能並降低模型大小而不犧牲過多的準確性。

Pytorch移動實施

Pytorch Mobile是Pytorch的移動擴展。通常以其在研究和生產方面的靈活性而聞名。 Pytorch Mobile可以輕鬆從桌面環(huán)境中採用訓練有素的型號，並在移動設備上部署，而無需進行太多修改。它通過支持動態(tài)計算圖並使調試更容易地關注開發(fā)人員的易用性。

Pytorch手機的功能

以下是Pytorch手機的一些重要功能：

• 預先構建的型號： Pytorch Mobile提供了大量的預訓練模型，可以將其轉換為在移動設備上運行。
• 動態(tài)圖：它是Pytorch的動態(tài)計算圖之一，可以在開發(fā)過程中靈活性。
• 自定義操作員： Pytorch Mobile允許我們創(chuàng)建自定義操作員，這對於高級用例很有用。

性能比較：Tensorflow Lite vs Pytorch手機

當我們討論它們的性能時，兩個框架都針對移動設備進行了優(yōu)化，但是Tensorflow Lite具有很高的執(zhí)行速度和資源效率。

• 執(zhí)行速度：由於其積極的優(yōu)化，例如量化和基於委託的加速度，Tensorflow Lite通常更快。例如 - nnapi和gpu。
• 二進制尺寸： Tensorflow Lite具有較小的佔地面積，二進制尺寸低至300kb，用於最小的構建。 Pytorch移動二進製文件往往更大，並且需要更輕巧的部署進行微調。

易用性和開發(fā)人員經驗

Pytorch Mobile通常受開發(fā)人員的靈活性和易於調試的功能而受到首選。這是由於動態(tài)計算圖。這有助於我們在運行時修改模型，這非常適合原型製作。另一方面，TensorFlow Lite需要在部署前將模型轉換為靜態(tài)格式，這可以增加複雜性，但會為移動設備提供更優(yōu)化的模型。

• 模型轉換： Pytorch Mobile允許我們直接導出Pytorch型號，而Tensorflow Lite則需要使用TFLITE轉換器轉換Tensorflow模型。
• 調試： Pytorch的動態(tài)圖使他們在運行時更容易調試模型，這非常適合快速發(fā)現問題。借助Tensorflow Lite的靜態(tài)圖，儘管TensorFlow提供了可以幫助我們的模型分析器之類的工具，但調試可能會有些困難。

支持的平臺和設備兼容性

我們可以在兩個主要的移動平臺Android和iOS上同時使用Tensorflow Lite和Pytorch移動設備。

Tensorflow Lite

在選擇哪個將支持哪種硬件時，Tflite更加靈活。由於委託系統，它不僅支持CPU和GPU，還支持數字信號處理器（DSP）和其他被認為比基本CPU更高的芯片。

Pytorch手機

雖然Pytorch Mobile還支持CPU和GPU，例如用於iOS和Vulkan的Android的金屬，但除此之外，硬件加速的選項較少。這意味著，當我們需要更廣泛的硬件兼容性時，Tflite可能會具有優(yōu)勢，尤其是對於具有專門處理器的設備而言。

模型轉換：從培訓到部署

Tensorflow Lite和Pytorch Mobile之間的主要區(qū)別在於，模型從訓練階段轉變?yōu)橐苿釉O備上的部署。

Tensorflow Lite

如果我們想在移動設備上部署TensorFlow模型，則需要使用TFLITE轉換器將其轉換。可以優(yōu)化此過程，例如量化，這將使移動目標的模型快速有效。

Pytorch手機

對於Pytorch Mobile，我們可以使用Torchscript保存模型。該過程非常簡單，簡單，但是它沒有提供與TFLITE提供的高級優(yōu)化選項的水平。

Tensorflow Lite和Pytorch手機的用例

探索Tensorflow Lite和Pytorch Mobile的實際應用，展示了這些框架如何在不同行業(yè)跨越智能解決方案。

Tensorflow Lite

TFLITE是需要快速響應的不同應用程序的更好平臺，例如實時圖像分類或對象檢測。如果我們正在使用具有專門硬件的設備，例如GPU或神經處理單元。 TFLITE的硬件加速度功能有助於模型運行速度更快，更有效。

Pytorch手機

Pytorch Mobile非常適合仍在不斷發(fā)展的項目，例如研究或原型應用程序。它的靈活性使得可以輕鬆進行實驗和迭代，從而使開發(fā)人員可以快速更改。當我們需要經常實驗和部署具有最小修改的新模型時，Pytorch Mobile是理想的選擇。

Tensorflow Lite實現

我們將使用預訓練的模型（MobilenetV2），並將其轉換為Tensorflow Lite。

加載和保存模型

我們要做的第一件事是導入TensorFlow並加載預先訓練的MobilenETV2模型。正如該模型中所示，它已準備好在Imagenet數據集上進行預訓練。 Model.export（'Mobilenet_model'）以Tensorflow的SavedModel的格式寫入模型。這是將其轉換為與移動設備一起使用的Tensorflow Lite模型（TFLITE）所需的格式。

 ＃步驟1：設置環(huán)境並加載預先訓練的MobilenEtv2模型
導入TensorFlow作為TF

＃加載預定的MobilenetV2模型
型號= tf.keras.applications.mobilenetv2（weights ='imagenet'，input_shape =（224，224，3））

＃將模型保存為tflite轉換的SavedModel
Model.export（'Mobilenet_model'）

將模型轉換為Tensorflow Lite

該模型是使用TfliteConverter從保存的模型（Mobilenet_model目錄）加載的。轉換器將模型轉換為更輕巧的.tflite格式。最後，將TFLITE模型保存為Mobilenet_v2.tflite，以便以後在移動或邊緣應用中使用。

 ＃步驟2：將模型轉換為Tensorflow Lite
converter = tf.lite.tfliteconverter.from_saved_model（'mobilenet_model'）
tflite_model = converter.convert（）

＃將轉換的模型保存到TFLITE文件
用open（'mobilenet_v2.tflite'，'wb'）作為f：
    F.Write（TFLITE_MODEL）

加載推理的Tflite模型

現在，我們導入數值操作（NUMPY）和圖像操作（pil.image）的必要庫。使用tf.lite.Interpreter和內存分配了TFLITE模型以用於輸入/輸出張量。我們檢索有關輸入/輸出張量的詳細信息，例如形狀和數據類型，當我們預處理輸入圖像並檢索輸出時，這將很有用。

導入numpy作為NP
從PIL導入圖像

＃加載Tflite型號並分配張量
interneter = tf.lite.interpreter（model_path ='mobilenet_v2.tflite'）
interner.allocate_tensors（）

＃獲取輸入和輸出張量
input_details = interner.get_input_details（）
output_details = interner.get_output_details（）

預處理輸入，運行推理和解碼輸出

我們加載圖像（cat.jpg），將其調整到所需的（224，224）像素，並使用MobilenetV2的預處理方法進行預處理。預處理圖像通過使用internterpreter.set_tensor（）設置輸入張量來饋入TFLITE模型，然後我們使用Inverter.invoke（）運行推理。推斷後，我們檢索模型的預測，並使用decode_predictions（）將它們解碼為可讀的類名稱和概率。最後，我們打印預測。

 ＃加載和預處理輸入圖像
image = image.open（'cat.jpg'）。resize（（224，224））＃替換為圖像路徑
input_data = np.expand_dims（np.Array（image），axis = 0）
input_data = tf.keras.applications.mobilenet_v2.preprocess_input（input_data）

＃設置輸入張量並運行模型
intermeter.set_tensor（input_details [0] ['index']，input_data）
inverter.invoke（）

＃獲取輸出並解碼預測
output_data = interner.get_tensor（output_details [0] ['index']）
預測= tf.keras.applications.mobilenet_v2.decode_predictions（output_data）
打?。A測）

使用下面的貓圖像：

輸出：

[（'N02123045'，'tabby'，0.85），（'N02124075'，'egyptian_cat'，0.07），（'N02123159'，'n02123159'，'tiger_cat'，0.05）]

這意味著該模型是85％的信心，因為圖像是虎斑貓。

Pytorch移動實施

現在，我們將實施Pytorch手機。我們將使用一個簡單的預訓練模型，例如Resnet18，將其轉換為Torchscript，並運行推斷

設置環(huán)境並加載RESNET18型號

＃步驟1：設置環(huán)境
導入火炬
導入torchvision.models作為型號

＃加載預驗證的RESNET18型號
Model = model.Resnet18（預讀= true）

＃將模型設置為評估模式
model.eval（）

將模型轉換為Torchscript

在這裡，我們定義一個示例_input，它是大小[1,3,224,224]的隨機張量。這模擬了一個帶有3個顏色通道（RGB）和224×224像素的1個圖像。它用於追蹤模型的操作。 TORCH.JIT.TRACE（）是一種將Pytorch模型轉換為Torchscript模塊的方法。 Torchscript允許您在Py??thon之外進行序列化並運行模型，例如在C或移動設備中。轉換後的Torchscript模型被保存為“ resnet18_scripted.pt”，允許將其加載和以後使用。

 ＃步驟2：轉換為Torchscript
example_input = torch.randn（1，3，224，224）＃跟蹤示例輸入
traced_script_module = torch.jit.trace（型號，example_input）

＃保存火有關模型
traced_script_module.save（“ resnet18_scripted.pt”）

加載腳本模型並進行預測

我們使用torch.jit.load（）從文件“ resnet18_scripted.pt”中加載先前保存的火有關模型。我們創(chuàng)建一個新的隨機張量輸入_DATA，再次模擬具有大小[1、3、224、224]的圖像輸入。然後使用Loaded_model（input_data）在此輸入上運行該模型。這將返回輸出，其中包含每個類的原始分數（logits）。為了獲得預測的類，我們使用Torch.max（輸出，1），該類別給出了分數最高的類索引。我們使用Predicted.item（）打印預測類。

 ＃步驟3：加載並運行腳本模型
loaded_model = torch.jit.load（“ resnet18_scripted.pt”）

＃仿真輸入數據（隨機圖像張量）
input_data = torch.randn（1，3，224，224）

＃運行模型並獲得預測
輸出= loaded_model（input_data）
_，預測= torch.max（輸出，1）
打印（f'predisted類：{predicted.item（）}'）

輸出：

預測班：107

因此，該模型預測輸入數據屬於類索引107。

結論

Tensorflow Lite更加專注於移動設備，而Pytorch Mobile則提供了更通用的CPU/GPU控制解決方案，兩者都針對AI在移動設備和邊緣設備上的不同應用進行了優(yōu)化。與Tensorflow Lite相比，Pytorch Mobile提供了更大的便攜性，同時也比Tensorflow Lite更輕，並與Google緊密整合。它們結合在一起，使開發(fā)人員能夠在開發(fā)人員的手持設備上實施具有高功能的實時人工智能應用程序。這些框架使用戶能夠在本地機器上運行複雜的模型，並這樣做，因此他們正在通過指尖重寫有關移動應用程序如何與世界互動的規(guī)則。

關鍵要點

• Tensorflow Lite和Pytorch移動設備使開發(fā)人員有效地在邊緣設備上部署AI模型。
• 這兩個框架都支持跨平臺兼容性，從而增強了移動AI應用程序的覆蓋範圍。
• Tensorflow Lite以性能優(yōu)化而聞名，而Pytorch Mobile的靈活性則擅長。
• 易於集成和開發(fā)人員友好的工具使這兩個框架適用於廣泛的AI用例。
• 現實世界的應用程序涵蓋了醫(yī)療保健，零售和娛樂等行業(yè)，展示了它們的多功能性。

常見問題

A.使用Tensorflow Lite，在我們需要在移動設備上高性能的地方使用Pytorch Mobile，在我們需要靈活性並易於與Pytorch現有的生態(tài)系統集成時。

答：是的，Tensorflow Lite和Pytorch移動都在Android和iOS上工作。

答：Pytorch Mobile對於執(zhí)行諸如圖像，面部和視頻分類，實時對象檢測，語音到文本轉換等任務的應用程序很有用。

A. Tensorflow Lite移動移動可用於機器人技術，IoT設備，增強現實（AR），虛擬現實（VR），自然語言處理（NLP）等應用程序有用。

本文所示的媒體不由Analytics Vidhya擁有，並由作者酌情使用。

以上是Tensorflow Lite與Pytorch手機的詳細內容。更多資訊請關注PHP中文網其他相關文章！