如果您的應用程式使用自訂 TensorFlow Lite 模型，則可以使用 Firebase ML 來部署模型。變更者： 可以縮減初始下載大小 應用程式及更新應用程式的機器學習模型，不必發布新版本 透過 Remote Config 和 A/B Testing，您可以透過 向不同的使用者群組提供不同的模型。
TensorFlow Lite 模型
TensorFlow Lite 模型是最佳化的機器學習模型，適合在行動裝置上執行 裝置。如要取得 TensorFlow Lite 模型，請按照下列步驟操作：
- 使用預先建構的模型，例如 官方 TensorFlow Lite 模型。
- 轉換 TensorFlow 模型、Keras 模型或具體函式 精簡。
事前準備
- 如果還沒試過 將 Firebase 新增至您的 Android 專案。
-
在模組 (應用程式層級) Gradle 檔案中
(通常為
<project>/<app-module>/build.gradle.kts或<project>/<app-module>/build.gradle)、 新增 Android 適用的 Firebase ML 模型下載工具程式庫的依附元件。建議您使用 Firebase Android BoM敬上 管理程式庫版本管理此外，在設定 Firebase ML 模型下載工具時，您需要 導入 TensorFlow Lite SDK。
dependencies { // Import the BoM for the Firebase platform implementation(platform("com.google.firebase:firebase-bom:33.2.0")) // Add the dependency for the Firebase ML model downloader library // When using the BoM, you don't specify versions in Firebase library dependencies implementation("com.google.firebase:firebase-ml-modeldownloader")
// Also add the dependency for the TensorFlow Lite library and specify its version implementation("org.tensorflow:tensorflow-lite:2.3.0") }只要使用 Firebase Android BoM， 應用程式一律會使用相容的 Firebase Android 程式庫版本。
(替代做法) 新增 Firebase 程式庫依附元件，「不使用」 BoM
如果選擇不使用 Firebase BoM，請指定各個 Firebase 程式庫版本 都屬於依附元件行
請注意，如果您在應用程式中使用多個 Firebase 程式庫，強烈建議您 建議使用 BoM 管理程式庫版本，確保所有版本 相容。
dependencies { // Add the dependency for the Firebase ML model downloader library // When NOT using the BoM, you must specify versions in Firebase library dependencies implementation("com.google.firebase:firebase-ml-modeldownloader:25.0.0")
// Also add the dependency for the TensorFlow Lite library and specify its version implementation("org.tensorflow:tensorflow-lite:2.3.0") } - 在應用程式的資訊清單中，宣告需要 INTERNET 權限：
<uses-permission android:name="android.permission.INTERNET" />
1. 部署模型
使用 Firebase 控制台或 Firebase Admin Python 和 Node.js SDK詳情請見 部署及管理自訂模型。
在 Firebase 專案中加入自訂模型後，您就能參照
在應用程式中使用您指定的名稱您隨時可以將
新的 TensorFlow Lite 模型，並將新模型下載至使用者的裝置劃分依據：
呼叫 getModel() (請見下方)。
2. 將模型下載至裝置，然後初始化 TensorFlow Lite 解譯器
如要在應用程式中使用 TensorFlow Lite 模型，請先使用 Firebase ML SDK 下載最新版本的模型到裝置。接著，將 TensorFlow Lite 解譯器搭配模型。如要開始下載模型，請呼叫模型下載工具的 getModel() 方法。
指定您在上傳模型時為模型指派的名稱
因此建議您一律下載最新模型
需要允許下載
有三種下載行為可供選擇：
| 下載類型 | 說明 |
|---|---|
| LOCAL_MODEL | 取得裝置的本機模型。
如果沒有本機模型可用，這個
的運作方式與 LATEST_MODEL 類似。使用這份草稿
然後下載
檢查模型更新狀態例如：
就是使用遠端設定
而且每次都會將模型上傳到
的新名稱 (建議)。 |
| LOCAL_MODEL_UPDATE_IN_BACKGROUND | 取得裝置的本機模型，並
開始在背景更新模型
如果沒有本機模型可用，這個
的運作方式與 LATEST_MODEL 類似。 |
| 最新機型 | 取得最新模型。如果本機模型 最新版本，會傳回本機 模型否則，請下載最新版本 模型這項行為會封鎖，直到 就會下載最新版本 建議)。這個行為僅限用於 明確需要 版本。 |
您應該停用模型相關功能，例如 隱藏部分使用者介面，直到您確認下載模型為止。
Kotlin+KTX
val conditions = CustomModelDownloadConditions.Builder()
.requireWifi() // Also possible: .requireCharging() and .requireDeviceIdle()
.build()
FirebaseModelDownloader.getInstance()
.getModel("your_model", DownloadType.LOCAL_MODEL_UPDATE_IN_BACKGROUND,
conditions)
.addOnSuccessListener { model: CustomModel? ->
// 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.
val modelFile = model?.file
if (modelFile != null) {
interpreter = Interpreter(modelFile)
}
}
Java
CustomModelDownloadConditions conditions = new CustomModelDownloadConditions.Builder()
.requireWifi() // Also possible: .requireCharging() and .requireDeviceIdle()
.build();
FirebaseModelDownloader.getInstance()
.getModel("your_model", DownloadType.LOCAL_MODEL_UPDATE_IN_BACKGROUND, conditions)
.addOnSuccessListener(new OnSuccessListener<CustomModel>() {
@Override
public void onSuccess(CustomModel model) {
// 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.
File modelFile = model.getFile();
if (modelFile != null) {
interpreter = new Interpreter(modelFile);
}
}
});
許多應用程式會在初始化程式碼中啟動下載工作，但您可以這麼做 因此在您需要使用模型前
3. 對輸入資料執行推論
取得模型的輸入和輸出形狀
TensorFlow Lite 模型解譯器會做為輸入內容並產生輸出內容
一或多個多維陣列這些陣列包含
byte、int、long 或 float
輕鬆分配獎金如要將資料傳遞至模型或使用其結果，請務必瞭解
模型使用的陣列數量和維度 (「形狀」)。
如果您是自行建構模型，或模型的輸入和輸出格式 您可能已有這項資訊如果不知道 模型輸入和輸出的形狀和資料類型 TensorFlow Lite 解譯器檢查模型。例如：
Python
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']))
輸出內容範例：
1 input(s): [ 1 224 224 3] <class 'numpy.float32'> 1 output(s): [1 1000] <class 'numpy.float32'>
執行解譯器
確定模型的輸入和輸出內容格式後，請取得 先取得所需資料，再對必要的資料執行任何轉換 為模型建立正確形狀的輸入內容舉例來說，假設圖片分類模型的輸入形狀
[1 224 224 3] 浮點值，可以產生輸入 ByteBuffer
從 Bitmap 物件載入資料，如以下範例所示：
Kotlin+KTX
val bitmap = Bitmap.createScaledBitmap(yourInputImage, 224, 224, true)
val input = ByteBuffer.allocateDirect(224*224*3*4).order(ByteOrder.nativeOrder())
for (y in 0 until 224) {
for (x in 0 until 224) {
val px = bitmap.getPixel(x, y)
// Get channel values from the pixel value.
val r = Color.red(px)
val g = Color.green(px)
val b = Color.blue(px)
// Normalize channel values to [-1.0, 1.0]. This requirement depends on the model.
// For example, some models might require values to be normalized to the range
// [0.0, 1.0] instead.
val rf = (r - 127) / 255f
val gf = (g - 127) / 255f
val bf = (b - 127) / 255f
input.putFloat(rf)
input.putFloat(gf)
input.putFloat(bf)
}
}
Java
Bitmap bitmap = Bitmap.createScaledBitmap(yourInputImage, 224, 224, true);
ByteBuffer input = ByteBuffer.allocateDirect(224 * 224 * 3 * 4).order(ByteOrder.nativeOrder());
for (int y = 0; y < 224; y++) {
for (int x = 0; x < 224; x++) {
int px = bitmap.getPixel(x, y);
// Get channel values from the pixel value.
int r = Color.red(px);
int g = Color.green(px);
int b = Color.blue(px);
// Normalize channel values to [-1.0, 1.0]. This requirement depends
// on the model. For example, some models might require values to be
// normalized to the range [0.0, 1.0] instead.
float rf = (r - 127) / 255.0f;
float gf = (g - 127) / 255.0f;
float bf = (b - 127) / 255.0f;
input.putFloat(rf);
input.putFloat(gf);
input.putFloat(bf);
}
}
接著，分配夠大的 ByteBuffer 來容納模型輸出內容。
將輸入緩衝區和輸出緩衝區傳遞至 TensorFlow Lite 解譯器
run() 方法。例如 [1 1000] 浮點的輸出形狀
值：
Kotlin+KTX
val bufferSize = 1000 * java.lang.Float.SIZE / java.lang.Byte.SIZE
val modelOutput = ByteBuffer.allocateDirect(bufferSize).order(ByteOrder.nativeOrder())
interpreter?.run(input, modelOutput)
Java
int bufferSize = 1000 * java.lang.Float.SIZE / java.lang.Byte.SIZE;
ByteBuffer modelOutput = ByteBuffer.allocateDirect(bufferSize).order(ByteOrder.nativeOrder());
interpreter.run(input, modelOutput);
您使用輸出內容的方式取決於您使用的模型。
舉例來說，如果您接下來要進行分類 將結果的索引對應至它們代表的標籤：
Kotlin+KTX
modelOutput.rewind()
val probabilities = modelOutput.asFloatBuffer()
try {
val reader = BufferedReader(
InputStreamReader(assets.open("custom_labels.txt")))
for (i in probabilities.capacity()) {
val label: String = reader.readLine()
val probability = probabilities.get(i)
println("$label: $probability")
}
} catch (e: IOException) {
// File not found?
}
Java
modelOutput.rewind();
FloatBuffer probabilities = modelOutput.asFloatBuffer();
try {
BufferedReader reader = new BufferedReader(
new InputStreamReader(getAssets().open("custom_labels.txt")));
for (int i = 0; i < probabilities.capacity(); i++) {
String label = reader.readLine();
float probability = probabilities.get(i);
Log.i(TAG, String.format("%s: %1.4f", label, probability));
}
} catch (IOException e) {
// File not found?
}
附錄：模型安全性
無論您是以何種方式將 TensorFlow Lite 模型提供給 Firebase ML、Firebase ML 會以標準的序列化 protobuf 格式儲存檔案，位置在 本機儲存空間
理論上，這代表任何人都可以複製您的模型不過 實務上，大多數模型 都特別適合應用程式，並經過模糊處理 並預測其他可能與競爭對手拆解及 重複使用程式碼然而，在使用 之前，請務必先瞭解此風險 在應用程式中加入自訂模型
在 Android API 級別 21 (Lollipop) 以上版本中，模型會下載到 目錄， 從自動備份中排除。
在 Android API 級別 20 及以下級別中，模型會下載至目錄
名為「com.google.firebase.ml.custom.models」在「應用程式私人」之下
內部儲存空間如果使用 BackupAgent 啟用檔案備份功能，
您可以選擇排除這個目錄