Метод allocate_tensors

Метод allocate_tensors класса Interpreter выделяет память для всех входных и выходных тензоров модели TensorFlow Lite. Метод не принимает параметров и должен быть вызван до работы с тензорами через set_tensor и get_tensor. Без вызова этого метода попытка записать данные во входной тензор или прочитать выходной тензор приведет к ошибке.

Метод не возвращает значения. После его вызова становятся доступны детали входных и выходных тензоров, полученные через get_input_details и get_output_details.

Синтаксис

interpreter.allocate_tensors()

Пример

Давайте создадим простую модель TensorFlow Lite и вызовем метод allocate_tensors:

import tensorflow as tf

# Create a simple model
model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])

# Convert the model to TensorFlow Lite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Create an interpreter and allocate tensors
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

print("Tensors allocated successfully")

Результат выполнения кода:

"Tensors allocated successfully"

Пример

Давайте вызовем метод allocate_tensors и выведем детали входных и выходных тензоров:

import tensorflow as tf

# Create a simple model
model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])

# Convert the model to TensorFlow Lite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Create an interpreter and allocate tensors
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

# Get input and output details
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

print(input_details[0]['shape'])
print(output_details[0]['shape'])

Результат выполнения кода:

[1]
[1]

Пример

Давайте вызовем метод allocate_tensors и выполним инференс модели:

import tensorflow as tf
import numpy as np

# Create a simple model
model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])

# Convert the model to TensorFlow Lite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Create an interpreter and allocate tensors
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

# Get input and output details
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# Prepare input data
input_data = np.array([[5.0]], dtype=np.float32)
interpreter.set_tensor(input_details[0]['index'], input_data)

# Run inference
interpreter.invoke()

# Get output data
output_data = interpreter.get_tensor(output_details[0]['index'])
print(output_data)

Результат выполнения кода:

[[-0.12345678]]

Смотрите также

класс Interpreter,
который запускает модели TensorFlow Lite
метод invoke,
который выполняет инференс модели
метод set_tensor,
который записывает данные во входной тензор
метод get_tensor,
который читает данные из выходного тензора