Google lance l'aperçu développeur de TensorFlow Lite pour l'apprentissage automatique sur les appareils mobiles

Google annonce l’aperçu développeur de TensorFlow Lite

TensorFlow Lite pour l’apprentissage automatique sur les appareils mobiles a été annoncé pour la première fois par Dave Burke, VP de l’ingénierie d’Android lors de Google I/O 2017. TensorFlow Lite est une version légère de la bibliothèque open source TensorFlow de Google, principalement utilisée pour les applications d’apprentissage automatique par les chercheurs et les développeurs.

Maintenant, le géant de la recherche a lancé l’aperçu développeur d’un nouvel ensemble d’outils d’apprentissage automatique conçu spécifiquement pour les smartphones et les appareils intégrés, et sera disponible pour les développeurs d’applications Android et iOS. Cette plateforme permettra aux développeurs de déployer l’IA sur des appareils mobiles. Elle permet l’inférence d’apprentissage automatique sur l’appareil avec une faible latence et une petite taille binaire. TensorFlow Lite prend également en charge l’accélération matérielle avec l’API Android Neural Networks.

« Comme vous le savez peut-être, TensorFlow prend déjà en charge le déploiement mobile et intégré de modèles via l’API TensorFlow Mobile », a écrit l’équipe TensorFlow dans un article de blog aujourd’hui. « À l’avenir, TensorFlow Lite doit être considéré comme l’évolution de TensorFlow Mobile, et à mesure qu’il mûrit, il deviendra la solution recommandée pour le déploiement de modèles sur des appareils mobiles et intégrés. Avec cette annonce, TensorFlow Lite est rendu disponible sous forme d’aperçu développeur, et TensorFlow Mobile est toujours là pour soutenir les applications de production. »

Burke note qu’il s’agit d’un « pas crucial vers l’activation du traitement des réseaux neuronaux accéléré par matériel à travers l’écosystème de silicium diversifié d’Android. »

TensorFlow Mobile permet aux développeurs d’incorporer des modèles TensorFlow qui fonctionnent dans un environnement de bureau, sur des appareils mobiles. Cependant, les applications créées avec TensorFlow Lite seront plus légères et plus rapides que des applications similaires utilisant TensorFlow Mobile. Cependant, tous les cas d’utilisation ne sont pas actuellement pris en charge par TensorFlow Lite.

« TensorFlow a toujours fonctionné sur de nombreuses plateformes, des racks de serveurs aux petits appareils IoT, mais à mesure que l’adoption des modèles d’apprentissage automatique a considérablement augmenté au cours des dernières années, le besoin de les déployer sur des appareils mobiles et intégrés a également augmenté », a écrit l’équipe TensorFlow.

Il existe trois modèles qui sont déjà entraînés et optimisés pour les appareils mobiles.

MobileNet : Une classe de modèles de vision capable d’identifier 1000 classes d’objets différentes, spécifiquement conçue pour une exécution efficace sur des appareils mobiles et intégrés.

Inception v3 : Un modèle de reconnaissance d’image, similaire en fonctionnalité à MobileNet, qui offre une précision plus élevée mais a également une taille plus grande.

Smart Reply : Un modèle conversationnel sur l’appareil qui fournit des réponses en un clic aux messages de chat entrants. Les applications de messagerie de première et de troisième parties utilisent cette fonctionnalité sur Android Wear.

TensorFlow Lite a été redessiné à partir de zéro pour se concentrer sur trois domaines :

• Léger : Permet l’inférence de modèles d’apprentissage automatique sur l’appareil avec une petite taille binaire et un démarrage rapide.

• Multiplateforme : Un runtime conçu pour fonctionner sur de nombreuses plateformes différentes, à commencer par Android et iOS.

• Rapide : Optimisé pour les appareils mobiles, y compris des temps de chargement de modèles considérablement améliorés, et prenant en charge l’accélération matérielle.

« Avec cet aperçu développeur, nous avons intentionnellement commencé avec une plateforme contrainte pour garantir des performances sur certains des modèles communs les plus importants », a déclaré un article rédigé par l’équipe TensorFlow. « Nous prévoyons de prioriser l’expansion fonctionnelle future en fonction des besoins de nos utilisateurs. Les objectifs de notre développement continu sont de simplifier l’expérience développeur et de permettre le déploiement de modèles pour une gamme d’appareils mobiles et intégrés. »

L’outil de développement TensorFlow Lite est maintenant disponible sous forme d’aperçu sur GitHub, avec des exemples de code et des applications de démonstration. Pour ceux qui souhaitent en savoir plus sur TensorFlow Lite, vous pouvez consulter la documentation ici.

Source : 9TO5Google