TFLite模型的開盲盒體驗

TFLite模型的開盲盒體驗之flatbuffer格式介紹

相信在嵌入式平臺上部署過神經(jīng)網(wǎng)絡(luò)模型的伙伴，都不會對TFLite格式陌生。TFLite是谷歌推出的一個輕量級推理庫，它的主要目標(biāo)是在移動端和嵌入式設(shè)備上部署深度學(xué)習(xí)模型。為了在這些設(shè)備上運行，需要將訓(xùn)練好的TensorFlow模型轉(zhuǎn)換成一種特殊的格式，這就是TensorFlow Lite模型。轉(zhuǎn)換過程包括模型轉(zhuǎn)化、部署和優(yōu)化三個步驟，旨在提升運算速度并減少內(nèi)存、顯存占用。

具體來說，這其中最終要的就是以.TFLite為格式的模型文件，其主結(jié)構(gòu)為一個Model。在這個模型中，包含了操作符(Operator code)、子圖(SubGraph)以及緩沖區(qū)(Buffer)。子圖中定義了模型中的子圖，包括各個tensor，輸入輸出的Tensor，以及子圖中的各個算子。

還真是麻雀雖小，五臟俱全啊。那么是什么技術(shù)支撐TFLite這個小小的身體內(nèi)部能夠儲存這么大的能量呢？答案就是FlatBuffer。

FlatBuffers是一種高效的二進(jìn)制序列化格式，使用C++編寫，是一個開源的、跨平臺的序列化工具庫，由Google提供并維護(hù)。它實現(xiàn)了一種類似于Protocol Buffers的序列化格式。這個庫的主要特點包括：對序列化的數(shù)據(jù)不需要打包和拆包，內(nèi)存和效率速度高，擴(kuò)展靈活，代碼依賴較少，強類型設(shè)計，編譯期即可完成類型檢查，使用簡單，可跨平臺使用。

一個FlatBuffers文件主要由三部分組成：verison、string table和buffer。其中，version表示FlatBuffers的版本號；string table存儲了序列化數(shù)據(jù)中所有的字符串；buffer則包含了實際的數(shù)據(jù)內(nèi)容。

在實際應(yīng)用中，例如在Android應(yīng)用程序中，JSON數(shù)據(jù)可以在應(yīng)用程序之外的某個地方被轉(zhuǎn)換成FlatBuffer格式的文件。這些二進(jìn)制數(shù)據(jù)可以以文件的形式提交，也可以從API直接返回FlatBuffer二進(jìn)制文件。

值得一提的是，F(xiàn)latBuffers是一種無需解碼的二進(jìn)制格式，因此其解碼性能極高，要比Protobuf快幾百倍，比JSON更快得多。所以，對于需要重度依賴反序列化的場景，可以考慮使用FlatBuffers。

相較于其他序列化格式，如JSON、XML和Protocol Buffers等，F(xiàn)latBuffers具有以下特點：

1. 高效性：FlatBuffers的序列化和反序列化速度非?？?，因為它不需要進(jìn)行解析和編碼操作，而是直接將數(shù)據(jù)寫入或讀取內(nèi)存。

2. 緊湊性：FlatBuffers生成的二進(jìn)制文件大小比JSON、XML等文本格式更小，因為它只存儲實際的數(shù)據(jù)內(nèi)容，而不包括任何元數(shù)據(jù)或格式化信息。

3. 靈活性：FlatBuffers支持定義復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，并可以在運行時動態(tài)修改這些結(jié)構(gòu)。此外，它還提供了一些高級功能，如嵌套表、枚舉類型和引用等。

4. 易于使用：FlatBuffers提供了一個簡單的API，可以方便地將數(shù)據(jù)序列化為二進(jìn)制格式，或?qū)⒍M(jìn)制數(shù)據(jù)反序列化為對象。此外，它還提供了一個可視化工具，可以幫助用戶快速創(chuàng)建和管理數(shù)據(jù)模型。

5. 跨平臺性：FlatBuffers可以在多種編程語言中使用，包括C++、Java、Python等。此外，它還支持多種操作系統(tǒng)和硬件平臺。

當(dāng)然，講了這么多，小編也只是想告訴大家，正所謂知己知彼。既然我們想要打開TFLite這個盲盒，當(dāng)然要知道他是誰，以及他的一切。那么現(xiàn)在，我們知道了，TFLite表面上是一種模型表達(dá)格式，包含了模型的基本信息。而其內(nèi)在，是一個叫做FlatBuffer的技術(shù)在支撐著它。

具體來說，TFLite模型實際上是以FlatBuffer格式存儲的。在進(jìn)行模型轉(zhuǎn)換時，例如將TensorFlow訓(xùn)練好的模型轉(zhuǎn)化為適合在移動設(shè)備上運行的輕量級模型時，我們主要使用的是TensorFlow Lite Converter。這個轉(zhuǎn)換器可以將訓(xùn)練好的TensorFlow模型轉(zhuǎn)換成.TFLite文件，也就是FlatBuffer格式的文件。所以說，TFLite與FlatBuffers的關(guān)系就在于，TFLite利用FlatBuffer這種高效二進(jìn)制序列化格式來存儲和表示其模型數(shù)據(jù)。

想要打開盲盒，鑰匙就在這個叫做FlatBuffer的技術(shù)。我們可以使用flatc工具來解析FlatBuffer，其依賴對應(yīng)的schema，這個schema類似于protobuf的proto文件，用來定義數(shù)據(jù)封裝格式。

如此一來，我們就找到了切入點，利用一個叫做flatc的工具來解析FlatBuffer格式的TFLite模型，以查看其中的內(nèi)容。當(dāng)然，查看內(nèi)容是為了后面根據(jù)需要進(jìn)行修改。

小編將在下期帶大家從源碼開始構(gòu)建屬于我們自己的flatc工具，并對TFLite模型進(jìn)行解析及簡單修改。預(yù)知如何編輯，請見下期分解啦！

開盲盒后續(xù)：TFLite模型的開盲盒體驗之編輯模型 http://www.ex-cimer.com/article/202405/458554.htm

開盲盒終極：TFLite模型終極開盲盒來啦！ http://www.ex-cimer.com/article/202405/458557.htm