Используйте собственную модель TensorFlow Lite на платформах Apple.

Если ваше приложение использует собственные модели TensorFlow Lite , вы можете использовать Firebase ML для развертывания этих моделей. Развертывание моделей с помощью Firebase позволяет уменьшить размер первоначальной загрузки приложения и обновлять модели машинного обучения без выпуска новой версии приложения. А благодаря Remote Config и A/B Testing вы можете динамически предоставлять разные модели разным группам пользователей.

Предварительные требования

• Библиотека MLModelDownloader доступна только для Swift.
• TensorFlow Lite работает только на устройствах с iOS 9 и более поздними версиями.

модели TensorFlow Lite

Модели TensorFlow Lite — это модели машинного обучения, оптимизированные для работы на мобильных устройствах. Чтобы получить модель TensorFlow Lite:

• Используйте готовую модель, например, одну из официальных моделей TensorFlow Lite .
• Преобразуйте модель TensorFlow, модель Keras или конкретную функцию в формат TensorFlow Lite.

Прежде чем начать

Для использования TensorFlowLite с Firebase необходимо использовать CocoaPods, поскольку TensorFlowLite в настоящее время не поддерживает установку с помощью Swift Package Manager. Инструкции по установке MLModelDownloader см. в руководстве по установке CocoaPods .

После установки импортируйте Firebase и TensorFlowLite, чтобы использовать их.

import FirebaseMLModelDownloader
import TensorFlowLite

1. Разверните свою модель.

Развертывайте свои пользовательские модели TensorFlow, используя либо консоль Firebase , либо SDK Firebase Admin для Python и Node.js. См. раздел «Развертывание и управление пользовательскими моделями» .

После добавления пользовательской модели в ваш проект Firebase вы можете ссылаться на нее в своих приложениях, используя указанное вами имя. В любой момент вы можете развернуть новую модель TensorFlow Lite и загрузить ее на устройства пользователей, вызвав getModel() (см. ниже).

2. Загрузите модель на устройство и инициализируйте интерпретатор TensorFlow Lite.

Чтобы начать загрузку модели, вызовите метод getModel() загрузчика моделей, указав имя, которое вы присвоили модели при загрузке, хотите ли вы всегда загружать последнюю версию модели, а также условия, при которых вы хотите разрешить загрузку.

Вы можете выбрать один из трех вариантов загрузки:

Вам следует отключить функциональность, связанную с моделью, — например, сделать часть пользовательского интерфейса неактивной или скрытой, — до тех пор, пока вы не убедитесь, что модель загружена.

let conditions = ModelDownloadConditions(allowsCellularAccess: false)
ModelDownloader.modelDownloader()
    .getModel(name: "your_model",
              downloadType: .localModelUpdateInBackground,
              conditions: conditions) { result in
        switch (result) {
        case .success(let customModel):
            do {
                // Download complete. Depending on your app, you could enable the ML
                // feature, or switch from the local model to the remote model, etc.

                // The CustomModel object contains the local path of the model file,
                // which you can use to instantiate a TensorFlow Lite interpreter.
                let interpreter = try Interpreter(modelPath: customModel.path)
            } catch {
                // Error. Bad model file?
            }
        case .failure(let error):
            // Download was unsuccessful. Don't enable ML features.
            print(error)
        }
}

Во многих приложениях задача загрузки запускается в коде инициализации, но вы можете сделать это в любой момент до того, как вам понадобится использовать модель.

3. Выполните вывод на основе входных данных.

Получите формы входных и выходных данных вашей модели.

Интерпретатор моделей TensorFlow Lite принимает на вход и выдает на выходе один или несколько многомерных массивов. Эти массивы содержат значения типов byte , int , long или float . Прежде чем передавать данные модели или использовать ее результат, необходимо знать количество и размерность («форму») массивов, используемых вашей моделью.

Если вы создали модель самостоятельно или если формат входных и выходных данных модели задокументирован, у вас, возможно, уже есть эта информация. Если вы не знаете структуру и тип данных входных и выходных данных вашей модели, вы можете использовать интерпретатор TensorFlow Lite для проверки вашей модели. Например:

import tensorflow as tf

interpreter = tf.lite.Interpreter(model_path="your_model.tflite")
interpreter.allocate_tensors()

# Print input shape and type
inputs = interpreter.get_input_details()
print('{} input(s):'.format(len(inputs)))
for i in range(0, len(inputs)):
    print('{} {}'.format(inputs[i]['shape'], inputs[i]['dtype']))

# Print output shape and type
outputs = interpreter.get_output_details()
print('\n{} output(s):'.format(len(outputs)))
for i in range(0, len(outputs)):
    print('{} {}'.format(outputs[i]['shape'], outputs[i]['dtype']))

1 input(s):
[  1 224 224   3] <class 'numpy.float32'>

1 output(s):
[1 1000] <class 'numpy.float32'>

Запустите интерпретатор

Например, если ваша модель обрабатывает изображения, и входные данные модели имеют размерность [1, 224, 224, 3] в виде чисел с плавающей запятой, вам может потребоваться масштабировать значения цвета изображения до диапазона чисел с плавающей запятой, как показано в следующем примере:

let image: CGImage = // Your input image
guard let context = CGContext(
  data: nil,
  width: image.width, height: image.height,
  bitsPerComponent: 8, bytesPerRow: image.width * 4,
  space: CGColorSpaceCreateDeviceRGB(),
  bitmapInfo: CGImageAlphaInfo.noneSkipFirst.rawValue
) else {
  return false
}

context.draw(image, in: CGRect(x: 0, y: 0, width: image.width, height: image.height))
guard let imageData = context.data else { return false }

var inputData = Data()
for row in 0 ..< 224 {
  for col in 0 ..< 224 {
    let offset = 4 * (row * context.width + col)
    // (Ignore offset 0, the unused alpha channel)
    let red = imageData.load(fromByteOffset: offset+1, as: UInt8.self)
    let green = imageData.load(fromByteOffset: offset+2, as: UInt8.self)
    let blue = imageData.load(fromByteOffset: offset+3, as: UInt8.self)

    // Normalize channel values to [0.0, 1.0]. This requirement varies
    // by model. For example, some models might require values to be
    // normalized to the range [-1.0, 1.0] instead, and others might
    // require fixed-point values or the original bytes.
    var normalizedRed = Float32(red) / 255.0
    var normalizedGreen = Float32(green) / 255.0
    var normalizedBlue = Float32(blue) / 255.0

    // Append normalized values to Data object in RGB order.
    let elementSize = MemoryLayout.size(ofValue: normalizedRed)
    var bytes = [UInt8](repeating: 0, count: elementSize)
    memcpy(&bytes, &normalizedRed, elementSize)
    inputData.append(&bytes, count: elementSize)
    memcpy(&bytes, &normalizedGreen, elementSize)
    inputData.append(&bytes, count: elementSize)
    memcpy(&ammp;bytes, &normalizedBlue, elementSize)
    inputData.append(&bytes, count: elementSize)
  }
}

Затем скопируйте входные NSData в интерпретатор и запустите его:

try interpreter.allocateTensors()
try interpreter.copy(inputData, toInputAt: 0)
try interpreter.invoke()

Вы можете получить выходные данные модели, вызвав метод output(at:) интерпретатора. Способ использования выходных данных зависит от используемой модели.

Например, если вы выполняете классификацию, то на следующем этапе вы можете сопоставить индексы результата с метками, которые они представляют:

let output = try interpreter.output(at: 0)
let probabilities =
        UnsafeMutableBufferPointer<Float32>.allocate(capacity: 1000)
output.data.copyBytes(to: probabilities)

guard let labelPath = Bundle.main.path(forResource: "retrained_labels", ofType: "txt") else { return }
let fileContents = try? String(contentsOfFile: labelPath)
guard let labels = fileContents?.components(separatedBy: "\n") else { return }

for i in labels.indices {
    print("\(labels[i]): \(probabilities[i])")
}

Приложение: Безопасность модели

Независимо от способа предоставления доступа к моделям TensorFlow Lite для Firebase ML , Firebase ML хранит их в стандартном сериализованном формате protobuf в локальном хранилище.

Теоретически это означает, что любой может скопировать вашу модель. Однако на практике большинство моделей настолько специфичны для конкретного приложения и завуалированы оптимизациями, что риск сопоставим с риском того, что конкуренты разберут и повторно используют ваш код. Тем не менее, вам следует помнить об этом риске, прежде чем использовать собственную модель в своем приложении.