部署和管理自定义模型

您可以使用 Firebase 控制台或 Firebase Admin Python 和 Node.js SDK 部署和管理自定义模型和 AutoML 训练模型。如果您只是想部署模型并偶尔更新，使用 Firebase 控制台通常是最简单的方法。在与构建流水线集成，使用 Colab 或 Jupyter 笔记本以及其他工作流时，Admin SDK 会非常有用。

在 Firebase 控制台中部署和管理模型

TensorFlow Lite 模型

如需使用 Firebase 控制台部署 TensorFlow Lite 模型，请执行以下操作：

1. 在 Firebase 控制台中打开 Firebase ML 自定义模型页面。
2. 点击添加自定义模型（或再添加一个模型）。
3. 指定一个名称，用于在 Firebase 项目中识别您的模型，然后上传 TensorFlow Lite 模型文件（通常以 .tflite 或 .lite 结尾）。

部署模型后，您可以在“自定义”页面上找到该模型。您可以在此页面上完成一些任务，例如使用新文件更新模型、下载模型以及从项目中删除模型。

使用 Firebase Admin SDK 部署和管理模型

本部分介绍如何使用 Admin SDK 完成常见的模型部署和管理任务。如需其他帮助，请参阅 Python 或 Node.js SDK 参考文档。

如需查看所用 SDK 的示例，请参阅 Python 快速入门示例和 Node.js 快速入门示例。

准备工作

1. 如果您还没有 Firebase 项目，请在 Firebase 控制台中创建一个新项目。然后，打开您的项目并执行以下操作：

   1. 在设置页面上，创建服务帐号并下载服务帐号密钥文件。请将此文件保存在安全的位置，因为它会向管理员授予对您的项目的访问权限。

   2. 在“Storage”页面上，启用 Cloud Storage。记下您的存储桶名称。

      在将模型文件添加到 Firebase 项目时，您需要一个 Cloud Storage 存储桶来临时存储这些文件。如果您使用的是 Blaze 方案，则可以创建一个存储桶，而非使用默认存储桶。

   3. 在 Firebase ML 页面上，如果您尚未启用 Firebase ML，请点击开始使用。

2. 在 Google API 控制台中，打开您的 Firebase 项目并启用 Firebase ML API。

3. 安装并初始化 Admin SDK。

   初始化 SDK 时，请指定服务帐号凭据以及要用于存储模型的 Cloud Storage 存储桶：

   Python

   import firebase_admin
   from firebase_admin import ml
   from firebase_admin import credentials
   
   firebase_admin.initialize_app(
     credentials.Certificate('/path/to/your/service_account_key.json'),
     options={
         'storageBucket': 'your-storage-bucket',
     })
   

   Node.js

   const admin = require('firebase-admin');
   const serviceAccount = require('/path/to/your/service_account_key.json');
   admin.initializeApp({
     credential: admin.credential.cert(serviceAccount),
     storageBucket: 'your-storage-bucket',
   });
   const ml = admin.machineLearning();
   

部署模型

TensorFlow Lite 文件

如需通过模型文件部署 TensorFlow Lite 模型，请将该模型上传到项目中，然后发布：

# First, import and initialize the SDK as shown above.

# Load a tflite file and upload it to Cloud Storage
source = ml.TFLiteGCSModelSource.from_tflite_model_file('example.tflite')

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
ml.publish_model(new_model.model_id)

// First, import and initialize the SDK as shown above.

(async () => {
  // Upload the tflite file to Cloud Storage
  const storageBucket = admin.storage().bucket('your-storage-bucket');
  const files = await storageBucket.upload('./example.tflite');

  // Create the model object and add the model to your Firebase project.
  const bucket = files[0].metadata.bucket;
  const name = files[0].metadata.name;
  const gcsUri = `gs:/⁠/${bucket}/${name}`;
  const model = await ml.createModel({
    displayName: 'example_model',  // This is the name you use from your app to load the model.
    tags: ['examples'],  // Optional tags for easier management.
    tfliteModel: { gcsTfliteUri: gcsUri },
  });

  // Publish the model.
  await ml.publishModel(model.modelId);

  process.exit();
})().catch(console.error);

TensorFlow 和 Keras 模型

使用 Python SDK，您可以将模型从 TensorFlow 已保存的模型格式转换为 TensorFlow Lite，然后在一个步骤中将其上传到您的 Cloud Storage 存储桶。然后，按照部署 TensorFlow Lite 文件的方式进行部署。

# First, import and initialize the SDK as shown above.

# Convert the model to TensorFlow Lite and upload it to Cloud Storage
source = ml.TFLiteGCSModelSource.from_saved_model('./model_directory')

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
ml.publish_model(new_model.model_id)

如果您有 Keras 模型，也可以将其转换为 TensorFlow Lite，同样只需一步即可上传。您可以使用已保存到 HDF5 文件的 Keras 模型：

import tensorflow as tf

# Load a Keras model, convert it to TensorFlow Lite, and upload it to Cloud Storage
model = tf.keras.models.load_model('your_model.h5')
source = ml.TFLiteGCSModelSource.from_keras_model(model)

# Create the model object, add the model to your project, and publish it. (See
# above.)
# ...

或者，您可以直接从训练脚本转换 Keras 模型并上传：

import tensorflow as tf

# Create a simple Keras model.
x = [-1, 0, 1, 2, 3, 4]
y = [-3, -1, 1, 3, 5, 7]

model = tf.keras.models.Sequential(
    [tf.keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd', loss='mean_squared_error')
model.fit(x, y, epochs=3)

# Convert the model to TensorFlow Lite and upload it to Cloud Storage
source = ml.TFLiteGCSModelSource.from_keras_model(model)

# Create the model object, add the model to your project, and publish it. (See
# above.)
# ...

AutoML TensorFlow Lite 模型

如果您使用 AutoML Cloud API 或 Google Cloud 控制台界面训练了 Edge 模型，则可以使用 Admin SDK 将该模型部署到 Firebase。

您将需要指定模型的资源标识符，该标识符是类似于以下示例的字符串：

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID

# First, import and initialize the SDK as shown above.

# Get a reference to the AutoML model
source = ml.TFLiteAutoMlSource('projects/{}/locations/{}/models/{}'.format(
    # See above for information on these values.
    project_number,
    storage_location,
    model_id
))

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you will use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
new_model.wait_for_unlocked()
ml.publish_model(new_model.model_id)

// First, import and initialize the SDK as shown above.

(async () => {
  // Get a reference to the AutoML model. See above for information on these
  // values.
  const automlModel = `projects/${projectNumber}/locations/${storageLocation}/models/${modelId}`;

  // Create the model object and add the model to your Firebase project.
  const model = await ml.createModel({
    displayName: 'example_model',  // This is the name you use from your app to load the model.
    tags: ['examples'],  // Optional tags for easier management.
    tfliteModel: { automlModel: automlModel },
  });

  // Wait for the model to be ready.
  await model.waitForUnlocked();

  // Publish the model.
  await ml.publishModel(model.modelId);

  process.exit();
})().catch(console.error);

列出项目的模型

您可以列出项目的模型，也可以过滤结果：

# First, import and initialize the SDK as shown above.

face_detectors = ml.list_models(list_filter="tags: face_detector").iterate_all()
print("Face detection models:")
for model in face_detectors:
  print('{} (ID: {})'.format(model.display_name, model.model_id))

// First, import and initialize the SDK as shown above.

(async () => {
  let listOptions = {filter: 'tags: face_detector'}
  let models;
  let pageToken = null;
  do {
    if (pageToken) listOptions.pageToken = pageToken;
    ({models, pageToken} = await ml.listModels(listOptions));
    for (const model of models) {
      console.log(`${model.displayName} (ID: ${model.modelId})`);
    }
  } while (pageToken != null);

  process.exit();
})().catch(console.error);

您可以按以下字段进行过滤：

过滤条件可以与 AND、OR 和 NOT 运算符以及括号（(、)）结合使用。

更新模型

将模型添加到项目后，您可以更新其显示名、标记和 tflite 模型文件：

# First, import and initialize the SDK as shown above.

model = ...   # Model object from create_model(), get_model(), or list_models()

# Update the model with a new tflite model. (You could also update with a
# `TFLiteAutoMlSource`)
source = ml.TFLiteGCSModelSource.from_tflite_model_file('example_v2.tflite')
model.model_format = ml.TFLiteFormat(model_source=source)

# Update the model's display name.
model.display_name = "example_model"

# Update the model's tags.
model.tags = ["examples", "new_models"]

# Add a new tag.
model.tags += "experimental"

# After you change the fields you want to update, save the model changes to
# Firebase and publish it.
updated_model = ml.update_model(model)
ml.publish_model(updated_model.model_id)

// First, import and initialize the SDK as shown above.

(async () => {
  const model = ... // Model object from createModel(), getModel(), or listModels()

  // Upload a new tflite file to Cloud Storage.
  const files = await storageBucket.upload('./example_v2.tflite');
  const bucket = files[0].metadata.bucket;
  const name = files[0].metadata.name;

  // Update the model. Any fields you omit will be unchanged.
  await ml.updateModel(model.modelId, {
    displayName: 'example_model',  // Update the model's display name.
    tags: model.tags.concat(['new']),  // Add a tag.
    tfliteModel: {gcsTfliteUri: `gs:/⁠/${bucket}/${name}`},
  });

  process.exit();
})().catch(console.error);

取消发布或删除模型

如需取消发布或删除模型，请将模型 ID 传递给取消发布或删除方法。取消发布模型后，模型仍会保留在您的项目中，但无法供您的应用下载。删除模型后，模型会从项目中完全移除。（在标准工作流中，取消发布模型并非正常操作，但如果意外发布了新模型且尚未在任何地方使用，或者宁愿用户收到“未找到模型”错误而不是下载“不良”模型，您可以用它来立即取消发布。）

如果您仍然没有模型对象的引用，可能需要使用过滤器列出项目的模型来获取模型 ID。例如，如需删除标记为“face_detector”的所有模型，请运行以下命令：

# First, import and initialize the SDK as shown above.

face_detectors = ml.list_models(list_filter="tags: 'face_detector'").iterate_all()
for model in face_detectors:
  ml.delete_model(model.model_id)

// First, import and initialize the SDK as shown above.

(async () => {
  let listOptions = {filter: 'tags: face_detector'}
  let models;
  let pageToken = null;
  do {
    if (pageToken) listOptions.pageToken = pageToken;
    ({models, pageToken} = await ml.listModels(listOptions));
    for (const model of models) {
      await ml.deleteModel(model.modelId);
    }
  } while (pageToken != null);

  process.exit();
})().catch(console.error);