您可以使用 Firebase 控制台或 Firebase Admin Python 和 Node.js SDK 部署和管理自定义模型和 AutoML 训练模型。如果您只是想部署模型并偶尔更新，使用 Firebase 控制台通常是最简单的方法。在与构建流水线集成，使用 Colab 或 Jupyter 笔记本以及其他工作流时，Admin SDK 会非常有用。
在 Firebase 控制台中部署和管理模型
TensorFlow Lite 模型
如需使用 Firebase 控制台部署 TensorFlow Lite 模型，请执行以下操作：
- 在 Firebase 控制台中打开 Firebase ML 自定义模型页面。
- 点击添加自定义模型（或再添加一个模型）。
- 指定一个名称，用于在 Firebase 项目中识别您的模型，然后上传 TensorFlow Lite 模型文件（通常以
.tflite或.lite结尾）。
部署模型后，您可以在“自定义”页面上找到该模型。您可以在此页面上完成一些任务，例如使用新文件更新模型、下载模型以及从项目中删除模型。
使用 Firebase Admin SDK 部署和管理模型
本部分介绍如何使用 Admin SDK 完成常见的模型部署和管理任务。如需其他帮助，请参阅 Python 或 Node.js SDK 参考文档。
如需查看所用 SDK 的示例，请参阅 Python 快速入门示例和 Node.js 快速入门示例。
准备工作
如果您还没有 Firebase 项目，请在 Firebase 控制台中创建一个新项目。然后，打开您的项目并执行以下操作：
在设置页面上，创建服务账号并下载服务账号密钥文件。请将此文件保存在安全的位置，因为它会向管理员授予对您的项目的访问权限。
在“Storage”页面上，启用 Cloud Storage。记下您的存储桶名称。
在将模型文件添加到 Firebase 项目时，您需要一个 Cloud Storage 存储桶来临时存储这些文件。如果您使用的是 Blaze 方案，则可以创建一个存储桶，而非使用默认存储桶。
在 Firebase ML 页面上，如果您尚未启用 Firebase ML，请点击开始使用。
在 Google API 控制台中，打开您的 Firebase 项目并启用 Firebase ML API。
-
初始化 SDK 时，请指定服务账号凭证，以及要用于存储模型的 Cloud Storage 存储桶：
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();
部署模型
TensorFlow Lite 文件
如需通过模型文件部署 TensorFlow Lite 模型，请将该模型上传到项目中，然后发布：
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，您可以将模型从 TensorFlow 已保存的模型格式转换为 TensorFlow Lite，然后在一个步骤中将其上传到您的 Cloud Storage 存储桶。然后，按照部署 TensorFlow Lite 文件的方式进行部署。
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，也可以将其转换为 TensorFlow Lite，同样只需一步即可上传。您可以使用已保存到 HDF5 文件的 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，您可以直接从训练脚本转换 Keras 模型并上传：
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 控制台界面训练了 Edge 模型，则可以使用 Admin SDK 将该模型部署到 Firebase。
您将需要指定模型的资源标识符，该标识符是类似于以下示例的字符串：
projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER | 包含模型的 Cloud Storage 存储桶的项目号。这可能是您的 Firebase 项目或另一个 Google Cloud 项目。您可以在 Firebase 控制台或 Google Cloud 控制台信息中心的“设置”页面内找到此值。 |
STORAGE_LOCATION | 包含模型的 Cloud Storage 存储桶的资源位置。此值始终为 us-central1。 |
MODEL_ID | 您通过 AutoML Cloud API 获取的模型 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/${modelId}`; // Create the model object and add the model to your Firebase project. const model = await ml.createModel({ displayName: 'example_model', // This is the name you use from your app to load the model. tags: ['examples'], // Optional tags for easier management. tfliteModel: { automlModel: automlModel }, }); // Wait for the model to be ready. await model.waitForUnlocked(); // Publish the model. await ml.publishModel(model.modelId); process.exit(); })().catch(console.error); 列出项目的模型
您可以列出项目的模型，也可以过滤结果：
Python
# First, import and initialize the SDK as shown above. face_detectors = ml.list_models(list_filter="tags: face_detector").iterate_all() print("Face detection models:") for model in face_detectors: print('{} (ID: {})'.format(model.display_name, model.model_id)) Node.js
// First, import and initialize the SDK as shown above. (async () => { let listOptions = {filter: 'tags: face_detector'} let models; let pageToken = null; do { if (pageToken) listOptions.pageToken = pageToken; ({models, pageToken} = await ml.listModels(listOptions)); for (const model of models) { console.log(`${model.displayName} (ID: ${model.modelId})`); } } while (pageToken != null); process.exit(); })().catch(console.error); 您可以按以下字段进行过滤：
| 字段 | 示例 |
|---|---|
display_name | display_name = example_modeldisplay_name != example_model所有带有 display_name : experimental_* 请注意，仅支持前缀匹配。 |
tags | tags: face_detectortags: face_detector AND tags: experimental |
state.published | state.published = truestate.published = false |
过滤条件可以与 AND、OR 和 NOT 运算符以及括号（(、)）结合使用。
更新模型
将模型添加到项目后，您可以更新其显示名、标记和 tflite 模型文件：
Python
# First, import and initialize the SDK as shown above. model = ... # Model object from create_model(), get_model(), or list_models() # Update the model with a new tflite model. (You could also update with a # `TFLiteAutoMlSource`) source = ml.TFLiteGCSModelSource.from_tflite_model_file('example_v2.tflite') model.model_format = ml.TFLiteFormat(model_source=source) # Update the model's display name. model.display_name = "example_model" # Update the model's tags. model.tags = ["examples", "new_models"] # Add a new tag. model.tags += "experimental" # After you change the fields you want to update, save the model changes to # Firebase and publish it. updated_model = ml.update_model(model) ml.publish_model(updated_model.model_id) Node.js
// First, import and initialize the SDK as shown above. (async () => { const model = ... // Model object from createModel(), getModel(), or listModels() // Upload a new tflite file to Cloud Storage. const files = await storageBucket.upload('./example_v2.tflite'); const bucket = files[0].metadata.bucket; const name = files[0].metadata.name; // Update the model. Any fields you omit will be unchanged. await ml.updateModel(model.modelId, { displayName: 'example_model', // Update the model's display name. tags: model.tags.concat(['new']), // Add a tag. tfliteModel: {gcsTfliteUri: `gs:/⁠/${bucket}/${name}`}, }); process.exit(); })().catch(console.error); 取消发布或删除模型
如需取消发布或删除模型，请将模型 ID 传递给取消发布或删除方法。取消发布模型后，模型仍会保留在您的项目中，但无法供您的应用下载。删除模型后，模型会从项目中完全移除。（在标准工作流中，取消发布模型并非正常操作，但如果意外发布了新模型且尚未在任何地方使用，或者宁愿用户收到“未找到模型”错误而不是下载“不良”模型，您可以用它来立即取消发布。）
如果您仍然没有模型对象的引用，可能需要使用过滤器列出项目的模型来获取模型 ID。例如，如需删除标记为“face_detector”的所有模型，请运行以下命令：
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);