您可以使用 Firebase 控制台或 Firebase Admin Python 和 Node.js SDK 部署及管理自訂模型和 AutoML 訓練模型。如果您只想部署模型並偶爾更新，通常最簡單的方法是使用 Firebase 控制台。在整合建構管道、使用 Colab 或 Jupyter 筆記本，以及其他工作流程時，管理員 SDK 可能會很有幫助。
在 Firebase 控制台中部署及管理模型
TensorFlow Lite 模型
如要使用 Firebase 主控台部署 TensorFlow Lite 模型，請按照下列步驟操作：
- 在 Firebase 控制台中開啟 Firebase ML「自訂模型」頁面。
- 按一下「新增自訂模型」 (或「新增其他模型」)。
- 指定在 Firebase 專案中用於識別模型的名稱，然後上傳 TensorFlow Lite 模型檔案 (通常結尾為
.tflite或.lite)。
部署模型後，您可以在「自訂」頁面中找到該模型。您可以在此完成各種工作，例如使用新檔案更新模型、下載模型，以及從專案中刪除模型。
使用 Firebase Admin SDK 部署及管理模型
本節說明如何使用 Admin SDK 完成常見的模型部署和管理工作。如需其他協助，請參閱 Python 或 Node.js 的 SDK 參考資料。
如需 SDK 使用範例，請參閱 Python 快速入門範例和 Node.js 快速入門範例。
事前準備
如果您還沒有 Firebase 專案，請在 Firebase 控制台中建立新專案。接著，請開啟專案並執行下列操作：
在 Google API 控制台中，開啟 Firebase 專案並啟用 Firebase ML API。
-
初始化 SDK 時，請指定服務帳戶憑證和要用來儲存模型的 Cloud Storage 儲存體：
Python
import firebase_admin from firebase_admin import ml from firebase_admin import credentials firebase_admin.initialize_app( credentials.Certificate('/path/to/your/service_account_key.json'), options={ 'storageBucket': 'your-storage-bucket', })Node.js
const admin = require('firebase-admin'); const serviceAccount = require('/path/to/your/service_account_key.json'); admin.initializeApp({ credential: admin.credential.cert(serviceAccount), storageBucket: 'your-storage-bucket', }); const ml = admin.machineLearning();
可部署模型
TensorFlow Lite 檔案
如要從模型檔案部署 TensorFlow Lite 模型，請將模型檔案上傳至專案，然後發布：
Python
# First, import and initialize the SDK as shown above. # Load a tflite file and upload it to Cloud Storage source = ml.TFLiteGCSModelSource.from_tflite_model_file('example.tflite') # Create the model object tflite_format = ml.TFLiteFormat(model_source=source) model = ml.Model( display_name="example_model", # This is the name you use from your app to load the model. tags=["examples"], # Optional tags for easier management. model_format=tflite_format) # Add the model to your Firebase project and publish it new_model = ml.create_model(model) ml.publish_model(new_model.model_id) Node.js
// First, import and initialize the SDK as shown above. (async () => { // Upload the tflite file to Cloud Storage const storageBucket = admin.storage().bucket('your-storage-bucket'); const files = await storageBucket.upload('./example.tflite'); // Create the model object and add the model to your Firebase project. const bucket = files[0].metadata.bucket; const name = files[0].metadata.name; const gcsUri = `gs:/⁠/${bucket}/${name}`; const model = await ml.createModel({ displayName: 'example_model', // This is the name you use from your app to load the model. tags: ['examples'], // Optional tags for easier management. tfliteModel: { gcsTfliteUri: gcsUri }, }); // Publish the model. await ml.publishModel(model.modelId); process.exit(); })().catch(console.error); TensorFlow 和 Keras 模型
使用 Python SDK，您可以將模型從 TensorFlow 儲存模型格式轉換為 TensorFlow Lite，並在單一步驟中將模型上傳至 Cloud Storage 值區。然後按照部署 TensorFlow Lite 檔案的方式部署模型。
Python
# First, import and initialize the SDK as shown above. # Convert the model to TensorFlow Lite and upload it to Cloud Storage source = ml.TFLiteGCSModelSource.from_saved_model('./model_directory') # Create the model object tflite_format = ml.TFLiteFormat(model_source=source) model = ml.Model( display_name="example_model", # This is the name you use from your app to load the model. tags=["examples"], # Optional tags for easier management. model_format=tflite_format) # Add the model to your Firebase project and publish it new_model = ml.create_model(model) ml.publish_model(new_model.model_id) 如果您有 Keras 模型，也可以將其轉換為 TensorFlow Lite，並在單一步驟中上傳。您可以使用儲存至 HDF5 檔案的 Keras 模型：
Python
import tensorflow as tf # Load a Keras model, convert it to TensorFlow Lite, and upload it to Cloud Storage model = tf.keras.models.load_model('your_model.h5') source = ml.TFLiteGCSModelSource.from_keras_model(model) # Create the model object, add the model to your project, and publish it. (See # above.) # ... 或者，您也可以直接從訓練指令碼轉換並上傳 Keras 模型：
Python
import tensorflow as tf # Create a simple Keras model. x = [-1, 0, 1, 2, 3, 4] y = [-3, -1, 1, 3, 5, 7] model = tf.keras.models.Sequential( [tf.keras.layers.Dense(units=1, input_shape=[1])]) model.compile(optimizer='sgd', loss='mean_squared_error') model.fit(x, y, epochs=3) # Convert the model to TensorFlow Lite and upload it to Cloud Storage source = ml.TFLiteGCSModelSource.from_keras_model(model) # Create the model object, add the model to your project, and publish it. (See # above.) # ... AutoML TensorFlow Lite 模型
如果您使用 AutoML Cloud API 或 Google Cloud 控制台 UI 訓練 Edge 模型，可以使用 Admin SDK 將模型部署至 Firebase。
您必須指定模型的資源 ID，這是一個字串，如下所示：
projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER | 包含模型的 Cloud Storage 值區專案編號。這可能是您的 Firebase 專案或其他 Google Cloud 專案。您可以在 Firebase 主控台的「設定」頁面或 Google Cloud 主控台資訊主頁中找到這個值。 |
STORAGE_LOCATION | 包含模型的 Cloud Storage 值區資源位置。這個值一律為 us-central1。 |
MODEL_ID | 您從 AutoML Cloud API 取得的模型 ID。 |
Python
# First, import and initialize the SDK as shown above. # Get a reference to the AutoML model source = ml.TFLiteAutoMlSource('projects/{}/locations/{}/models/{}'.format( # See above for information on these values. project_number, storage_location, model_id )) # Create the model object tflite_format = ml.TFLiteFormat(model_source=source) model = ml.Model( display_name="example_model", # This is the name you will use from your app to load the model. tags=["examples"], # Optional tags for easier management. model_format=tflite_format) # Add the model to your Firebase project and publish it new_model = ml.create_model(model) new_model.wait_for_unlocked() ml.publish_model(new_model.model_id) Node.js
// First, import and initialize the SDK as shown above. (async () => { // Get a reference to the AutoML model. See above for information on these // values. const automlModel = `projects/${projectNumber}/locations/${storageLocation}/models/${modelId}`; // Create the model object and add the model to your Firebase project. const model = await ml.createModel({ displayName: 'example_model', // This is the name you use from your app to load the model. tags: ['examples'], // Optional tags for easier management. tfliteModel: { automlModel: automlModel }, }); // Wait for the model to be ready. await model.waitForUnlocked(); // Publish the model. await ml.publishModel(model.modelId); process.exit(); })().catch(console.error); 列出專案的模型
您可以列出專案的模型，並選擇性篩選結果：
Python
# First, import and initialize the SDK as shown above. face_detectors = ml.list_models(list_filter="tags: face_detector").iterate_all() print("Face detection models:") for model in face_detectors: print('{} (ID: {})'.format(model.display_name, model.model_id)) Node.js
// First, import and initialize the SDK as shown above. (async () => { let listOptions = {filter: 'tags: face_detector'} let models; let pageToken = null; do { if (pageToken) listOptions.pageToken = pageToken; ({models, pageToken} = await ml.listModels(listOptions)); for (const model of models) { console.log(`${model.displayName} (ID: ${model.modelId})`); } } while (pageToken != null); process.exit(); })().catch(console.error); 您可以依據下列欄位進行篩選：
| 欄位 | 範例 |
|---|---|
display_name | display_name = example_modeldisplay_name != example_model所有使用 display_name : experimental_* 請注意，系統僅支援前置字串比對。 |
tags | tags: face_detectortags: face_detector AND tags: experimental |
state.published | state.published = truestate.published = false |
將篩選器與 AND、OR 和 NOT 運算子和括號 ((、)) 結合。
可更新模型
將模型新增至專案後，您可以更新模型的顯示名稱、標記和 tflite 模型檔案：
Python
# First, import and initialize the SDK as shown above. model = ... # Model object from create_model(), get_model(), or list_models() # Update the model with a new tflite model. (You could also update with a # `TFLiteAutoMlSource`) source = ml.TFLiteGCSModelSource.from_tflite_model_file('example_v2.tflite') model.model_format = ml.TFLiteFormat(model_source=source) # Update the model's display name. model.display_name = "example_model" # Update the model's tags. model.tags = ["examples", "new_models"] # Add a new tag. model.tags += "experimental" # After you change the fields you want to update, save the model changes to # Firebase and publish it. updated_model = ml.update_model(model) ml.publish_model(updated_model.model_id) Node.js
// First, import and initialize the SDK as shown above. (async () => { const model = ... // Model object from createModel(), getModel(), or listModels() // Upload a new tflite file to Cloud Storage. const files = await storageBucket.upload('./example_v2.tflite'); const bucket = files[0].metadata.bucket; const name = files[0].metadata.name; // Update the model. Any fields you omit will be unchanged. await ml.updateModel(model.modelId, { displayName: 'example_model', // Update the model's display name. tags: model.tags.concat(['new']), // Add a tag. tfliteModel: {gcsTfliteUri: `gs:/⁠/${bucket}/${name}`}, }); process.exit(); })().catch(console.error); 取消發布或刪除模型
如要取消發布或刪除模型，請將模型 ID 傳遞至取消發布或刪除方法。取消發布模型後，模型會保留在專案中，但無法供應用程式下載。刪除模型後，系統會將該模型從專案中完全移除。(標準工作流程中不應取消發布模型，但您可以使用這項功能立即取消發布您不小心發布且尚未在任何地方使用的新模型，或是在使用者下載「錯誤」模型的情況下，比起收到找不到模型的錯誤，更糟糕的情況。)
如果您仍未取得 Model 物件的參照，您可能需要使用篩選器列出專案的模型，以便取得模型 ID。例如，如要刪除所有標記為「face_detector」的模型，請執行以下操作：
Python
# First, import and initialize the SDK as shown above. face_detectors = ml.list_models(list_filter="tags: 'face_detector'").iterate_all() for model in face_detectors: ml.delete_model(model.model_id) Node.js
// First, import and initialize the SDK as shown above. (async () => { let listOptions = {filter: 'tags: face_detector'} let models; let pageToken = null; do { if (pageToken) listOptions.pageToken = pageToken; ({models, pageToken} = await ml.listModels(listOptions)); for (const model of models) { await ml.deleteModel(model.modelId); } } while (pageToken != null); process.exit(); })().catch(console.error);