本篇文章译自英文文档 Compile TFLite Models  tvm 0.13.dev0 documentation

作者是 FrozenGene (Zhao Wu) · GitHub

更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。 | Apache TVM 中文站

本文介绍如何用 Relay 部署 TFLite 模型。

首先安装 TFLite 包。

# 安装 tflite pip install tflite==2.1.0 --user 

或者自行生成 TFLite 包，步骤如下：

# 获取 flatc 编译器。 # 详细可参考 https://github.com/google/flatbuffers，确保正确安装 flatc --version  # 获取 TFLite 架构 wget https://raw.githubusercontent.com/tensorflow/tensorflow/r1.13/tensorflow/lite/schema/schema.fbs  # 生成 TFLite 包 flatc --python schema.fbs  # 将当前文件夹路径（包含生成的 TFLite 模块）添加到 PYTHONPATH。 export PYTHONPATH=${PYTHONPATH:+$PYTHONPATH:}$(pwd) 

用 python -c "import tflite" 命令，检查 TFLite 包是否安装成功。

有关如何用 TVM 编译 TFLite 模型的示例如下：

用于下载和提取 zip 文件的程序

import os  def extract(path):     import tarfile      if path.endswith("tgz") or path.endswith("gz"):         dir_path = os.path.dirname(path)         tar = tarfile.open(path)         tar.extractall(path=dir_path)         tar.close()     else:         raise RuntimeError("Could not decompress the file: " + path) 

加载预训练的 TFLite 模型?

加载 Google 提供的 mobilenet V1 TFLite 模型：

from tvm.contrib.download import download_testdata  model_url = "http://download.tensorflow.org/models/mobilenet_v1_2018_08_02/mobilenet_v1_1.0_224.tgz"  # 下载模型 tar 文件，解压得到 mobilenet_v1_1.0_224.tflite model_path = download_testdata(model_url, "mobilenet_v1_1.0_224.tgz", module=["tf", "official"]) model_dir = os.path.dirname(model_path) extract(model_path)  # 打开 mobilenet_v1_1.0_224.tflite tflite_model_file = os.path.join(model_dir, "mobilenet_v1_1.0_224.tflite") tflite_model_buf = open(tflite_model_file, "rb").read()  # 从缓冲区获取 TFLite 模型 try:     import tflite      tflite_model = tflite.Model.GetRootAsModel(tflite_model_buf, 0) except AttributeError:     import tflite.Model      tflite_model = tflite.Model.Model.GetRootAsModel(tflite_model_buf, 0) 

加载测试图像?

还是用猫的图像：

from PIL import Image from matplotlib import pyplot as plt import numpy as np  image_url = "https://github.com/dmlc/mxnet.js/blob/main/data/cat.png?raw=true" image_path = download_testdata(image_url, "cat.png", module="data") resized_image = Image.open(image_path).resize((224, 224)) plt.imshow(resized_image) plt.show() image_data = np.asarray(resized_image).astype("float32")  # 给图像添加一个维度，形成 NHWC 格式布局 image_data = np.expand_dims(image_data, axis=0)  # 预处理图像: # https://github.com/tensorflow/models/blob/edb6ed22a801665946c63d650ab9a0b23d98e1b1/research/slim/preprocessing/inception_preprocessing.py#L243 image_data[:, :, :, 0] = 2.0 / 255.0 * image_data[:, :, :, 0] - 1 image_data[:, :, :, 1] = 2.0 / 255.0 * image_data[:, :, :, 1] - 1 image_data[:, :, :, 2] = 2.0 / 255.0 * image_data[:, :, :, 2] - 1 print("input", image_data.shape) 

输出结果：

input (1, 224, 224, 3) 

使用 Relay 编译模型?

# TFLite 输入张量名称、shape 和类型 input_tensor = "input" input_shape = (1, 224, 224, 3) input_dtype = "float32"  # 解析 TFLite 模型，并将其转换为 Relay 模块 from tvm import relay, transform  mod, params = relay.frontend.from_tflite(     tflite_model, shape_dict={input_tensor: input_shape}, dtype_dict={input_tensor: input_dtype} )  # 针对 x86 CPU 构建模块 target = "llvm" with transform.PassContext(opt_level=3):     lib = relay.build(mod, target, params=params) 

输出结果：

/workspace/python/tvm/driver/build_module.py:268: UserWarning: target_host parameter is going to be deprecated. Please pass in tvm.target.Target(target, host=target_host) instead.   "target_host parameter is going to be deprecated. " 

在 TVM 上执行?

import tvm from tvm import te from tvm.contrib import graph_executor as runtime  # 创建 runtime 执行器模块 module = runtime.GraphModule(lib["default"](tvm.cpu()))  # 输入数据 module.set_input(input_tensor, tvm.nd.array(image_data))  # 运行 module.run()  # 得到输出 tvm_output = module.get_output(0).numpy() 

显示结果?

# 加载标签文件 label_file_url = "".join(     [         "https://raw.githubusercontent.com/",         "tensorflow/tensorflow/master/tensorflow/lite/java/demo/",         "app/src/main/assets/",         "labels_mobilenet_quant_v1_224.txt",     ] ) label_file = "labels_mobilenet_quant_v1_224.txt" label_path = download_testdata(label_file_url, label_file, module="data")  # 1001 个类的列表 with open(label_path) as f:     labels = f.readlines()  # 将结果转换为一维数据 predictions = np.squeeze(tvm_output)  # 获得分数最高的第一个预测值 prediction = np.argmax(predictions)  # 将 id 转换为类名，并显示结果 print("The image prediction result is: id " + str(prediction) + " name: " + labels[prediction]) 

输出结果：

The image prediction result is: id 283 name: tiger cat 

下载 Python 源代码：「链接」

下载 Jupyter Notebook：「链接」