电子产品世界

TFLite模型的开盲盒体验之flatbuffer格式介绍

相信在嵌入式平台上部署过神经网络模型的伙伴，都不会对TFLite格式陌生。TFLite是谷歌推出的一个轻量级推理库，它的主要目标是在移动端和嵌入式设备上部署深度学习模型。为了在这些设备上运行，需要将训练好的TensorFlow模型转换成一种特殊的格式，这就是TensorFlow Lite模型。转换过程包括模型转化、部署和优化三个步骤，旨在提升运算速度并减少内存、显存占用。

具体来说，这其中最终要的就是以.TFLite为格式的模型文件，其主结构为一个Model。在这个模型中，包含了操作符(Operator code)、子图(SubGraph)以及缓冲区(Buffer)。子图中定义了模型中的子图，包括各个tensor，输入输出的Tensor，以及子图中的各个算子。

还真是麻雀虽小，五脏俱全啊。那么是什么技术支撑TFLite这个小小的身体内部能够储存这么大的能量呢？答案就是FlatBuffer。

FlatBuffers是一种高效的二进制序列化格式，使用C++编写，是一个开源的、跨平台的序列化工具库，由Google提供并维护。它实现了一种类似于Protocol Buffers的序列化格式。这个库的主要特点包括：对序列化的数据不需要打包和拆包，内存和效率速度高，扩展灵活，代码依赖较少，强类型设计，编译期即可完成类型检查，使用简单，可跨平台使用。

一个FlatBuffers文件主要由三部分组成：verison、string table和buffer。其中，version表示FlatBuffers的版本号；string table存储了序列化数据中所有的字符串；buffer则包含了实际的数据内容。

在实际应用中，例如在Android应用程序中，JSON数据可以在应用程序之外的某个地方被转换成FlatBuffer格式的文件。这些二进制数据可以以文件的形式提交，也可以从API直接返回FlatBuffer二进制文件。

值得一提的是，FlatBuffers是一种无需解码的二进制格式，因此其解码性能极高，要比Protobuf快几百倍，比JSON更快得多。所以，对于需要重度依赖反序列化的场景，可以考虑使用FlatBuffers。

相较于其他序列化格式，如JSON、XML和Protocol Buffers等，FlatBuffers具有以下特点：

1. 高效性：FlatBuffers的序列化和反序列化速度非常快，因为它不需要进行解析和编码操作，而是直接将数据写入或读取内存。

2. 紧凑性：FlatBuffers生成的二进制文件大小比JSON、XML等文本格式更小，因为它只存储实际的数据内容，而不包括任何元数据或格式化信息。

3. 灵活性：FlatBuffers支持定义复杂的数据结构，并可以在运行时动态修改这些结构。此外，它还提供了一些高级功能，如嵌套表、枚举类型和引用等。

4. 易于使用：FlatBuffers提供了一个简单的API，可以方便地将数据序列化为二进制格式，或将二进制数据反序列化为对象。此外，它还提供了一个可视化工具，可以帮助用户快速创建和管理数据模型。

5. 跨平台性：FlatBuffers可以在多种编程语言中使用，包括C++、Java、Python等。此外，它还支持多种操作系统和硬件平台。

当然，讲了这么多，小编也只是想告诉大家，正所谓知己知彼。既然我们想要打开TFLite这个盲盒，当然要知道他是谁，以及他的一切。那么现在，我们知道了，TFLite表面上是一种模型表达格式，包含了模型的基本信息。而其内在，是一个叫做FlatBuffer的技术在支撑着它。

具体来说，TFLite模型实际上是以FlatBuffer格式存储的。在进行模型转换时，例如将TensorFlow训练好的模型转化为适合在移动设备上运行的轻量级模型时，我们主要使用的是TensorFlow Lite Converter。这个转换器可以将训练好的TensorFlow模型转换成.TFLite文件，也就是FlatBuffer格式的文件。所以说，TFLite与FlatBuffers的关系就在于，TFLite利用FlatBuffer这种高效二进制序列化格式来存储和表示其模型数据。

想要打开盲盒，钥匙就在这个叫做FlatBuffer的技术。我们可以使用flatc工具来解析FlatBuffer，其依赖对应的schema，这个schema类似于protobuf的proto文件，用来定义数据封装格式。

如此一来，我们就找到了切入点，利用一个叫做flatc的工具来解析FlatBuffer格式的TFLite模型，以查看其中的内容。当然，查看内容是为了后面根据需要进行修改。

小编将在下期带大家从源码开始构建属于我们自己的flatc工具，并对TFLite模型进行解析及简单修改。预知如何编辑，请见下期分解啦！

开盲盒后续：TFLite模型的开盲盒体验之编辑模型 http://www.eepw.com.cn/article/202405/458554.htm

开盲盒终极：TFLite模型终极开盲盒来啦！ http://www.eepw.com.cn/article/202405/458557.htm

关键词： TFLite 模型 推理库 深度学习