此页面为希望在 JAX 中训练模型并在移动设备上部署以进行推理的用户提供了一条路径（示例 Colab）。
本指南中的方法会生成一个 tflite_model，该模型可以直接与 TFLite 解释器代码示例一起使用，也可以保存为 TFLite FlatBuffer 文件。
先决条件
建议使用最新的 TensorFlow 夜间构建 Python 包来尝试此功能。
pip install tf-nightly --upgrade
我们将使用 Orbax 导出 库来导出 JAX 模型。请确保您的 JAX 版本至少为 0.4.20 或更高版本。
pip install jax --upgrade
pip install orbax-export --upgrade
将 JAX 模型转换为 TensorFlow Lite
我们将 TensorFlow SavedModel 作为 JAX 和 TensorFlow Lite 之间的中间格式。获得 SavedModel 后，可以使用现有的 TensorFlow Lite API 完成转换过程。
# This code snippet converts a JAX model to TFLite through TF SavedModel.
from orbax.export import ExportManager
from orbax.export import JaxModule
from orbax.export import ServingConfig
import tensorflow as tf
import jax.numpy as jnp
def model_fn(_, x):
return jnp.sin(jnp.cos(x))
jax_module = JaxModule({}, model_fn, input_polymorphic_shape='b, ...')
# Option 1: Simply save the model via `tf.saved_model.save` if no need for pre/post
# processing.
tf.saved_model.save(
jax_module,
'/some/directory',
signatures=jax_module.methods[JaxModule.DEFAULT_METHOD_KEY].get_concrete_function(
tf.TensorSpec(shape=(None,), dtype=tf.float32, name="input")
),
options=tf.saved_model.SaveOptions(experimental_custom_gradients=True),
)
converter = tf.lite.TFLiteConverter.from_saved_model('/some/directory')
tflite_model = converter.convert()
# Option 2: Define pre/post processing TF functions (e.g. (de)?tokenize).
serving_config = ServingConfig(
'Serving_default',
# Corresponds to the input signature of `tf_preprocessor`
input_signature=[tf.TensorSpec(shape=(None,), dtype=tf.float32, name='input')],
tf_preprocessor=lambda x: x,
tf_postprocessor=lambda out: {'output': out}
)
export_mgr = ExportManager(jax_module, [serving_config])
export_mgr.save('/some/directory')
converter = tf.lite.TFLiteConverter.from_saved_model('/some/directory')
tflite_model = converter.convert()
# Option 3: Convert from TF concrete function directly
converter = tf.lite.TFLiteConverter.from_concrete_functions(
[
jax_module.methods[JaxModule.DEFAULT_METHOD_KEY].get_concrete_function(
tf.TensorSpec(shape=(None,), dtype=tf.float32, name="input")
)
]
)
tflite_model = converter.convert()
检查转换后的 TFLite 模型
将模型转换为 TFLite 后，您可以运行 TFLite 解释器 API 来检查模型输出。
# Run the model with TensorFlow Lite
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors() input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
interpreter.set_tensor(input_details[0]["index"], input_data)
interpreter.invoke()
result = interpreter.get_tensor(output_details[0]["index"])