WiML Symposium 2023 กลับมาอีกครั้งในวันที่ 7 ธันวาคม! เข้าร่วมสตรีมสดเวลา 9:30 น. PST ลงทะเบียน

หน้านี้ได้รับการแปลโดย Cloud Translation API

TensorFlow Lite ในบริการ Google Play

TensorFlow Lite พร้อมใช้งานในรันไทม์บริการ Google Play สำหรับอุปกรณ์ Android ทั้งหมดที่ใช้บริการ Play เวอร์ชันปัจจุบัน รันไทม์นี้ช่วยให้คุณเรียกใช้โมเดลแมชชีนเลิร์นนิง (ML) โดยไม่ต้องรวมไลบรารี TensorFlow Lite เข้ากับแอปของคุณแบบคงที่

ด้วย API บริการ Google Play คุณสามารถลดขนาดแอปและรับประสิทธิภาพที่ดีขึ้นจากไลบรารีเวอร์ชันเสถียรล่าสุดได้ TensorFlow Lite ในบริการ Google Play เป็นวิธีที่แนะนำในการใช้ TensorFlow Lite บน Android

คุณสามารถเริ่มต้นใช้งานรันไทม์ของบริการ Play ได้ด้วย Quickstart ซึ่งมีคำแนะนำทีละขั้นตอนในการใช้งานแอปพลิเคชันตัวอย่าง หากคุณใช้ TensorFlow Lite แบบสแตนด์อโลนในแอปอยู่แล้ว โปรดดูส่วน การย้ายจาก TensorFlow Lite แบบสแตนด์อโลน เพื่ออัปเดตแอปที่มีอยู่เพื่อใช้รันไทม์ของบริการ Play สำหรับข้อมูลเพิ่มเติมเกี่ยวกับบริการ Google Play โปรดดูที่เว็บไซต์ บริการ Google Play

การใช้รันไทม์ของบริการ Play

TensorFlow Lite ในบริการ Google Play มีให้บริการผ่าน TensorFlow Lite Task API และ TensorFlow Lite Interpreter API ไลบรารีงานมอบอินเทอร์เฟซโมเดลสำเร็จรูปที่ได้รับการปรับปรุงสำหรับงานการเรียนรู้ของเครื่องทั่วไปโดยใช้ข้อมูลภาพ เสียง และข้อความ TensorFlow Lite Interpreter API จัดทำโดยรันไทม์ TensorFlow และไลบรารีสนับสนุน มอบอินเทอร์เฟซที่ใช้งานทั่วไปมากขึ้นสำหรับการสร้างและเรียกใช้โมเดล ML

ส่วนต่อไปนี้ให้คำแนะนำเกี่ยวกับวิธีการใช้งาน Interpreter และ Task Library API ในบริการ Google Play แม้ว่าจะเป็นไปได้ที่แอปจะใช้ทั้ง Interpreter API และ Task Library API แต่แอปส่วนใหญ่ควรใช้ API เพียงชุดเดียวเท่านั้น

การใช้ Task Library API

TensorFlow Lite Task API ล้อม Interpreter API และมอบอินเทอร์เฟซการเขียนโปรแกรมระดับสูงสำหรับงานแมชชีนเลิร์นนิงทั่วไปที่ใช้ข้อมูลภาพ เสียง และข้อความ คุณควรใช้ Task API หากแอปพลิเคชันของคุณต้องการ งานที่ได้รับการสนับสนุน อย่างใดอย่างหนึ่ง

1. เพิ่มการพึ่งพาโครงการ

การพึ่งพาโปรเจ็กต์ของคุณขึ้นอยู่กับกรณีการใช้งานแมชชีนเลิร์นนิงของคุณ Task API ประกอบด้วยไลบรารีต่อไปนี้:

ห้องสมุดวิสัยทัศน์: org.tensorflow:tensorflow-lite-task-vision-play-services
ไลบรารีเสียง: org.tensorflow:tensorflow-lite-task-audio-play-services
ไลบรารีข้อความ: org.tensorflow:tensorflow-lite-task-text-play-services

เพิ่มการอ้างอิงรายการใดรายการหนึ่งลงในโค้ดโปรเจ็กต์แอปของคุณเพื่อเข้าถึง Play services API สำหรับ TensorFlow Lite ตัวอย่างเช่น ใช้สิ่งต่อไปนี้เพื่อดำเนินงานด้านการมองเห็น:

dependencies {
...
    implementation 'org.tensorflow:tensorflow-lite-task-vision-play-services:0.4.2'
...
}

2. เพิ่มการเริ่มต้นของ TensorFlow Lite

เริ่มต้นองค์ประกอบ TensorFlow Lite ของ Google Play services API ก่อนที่ จะใช้ TensorFlow Lite API ตัวอย่างต่อไปนี้เริ่มต้นไลบรารีการมองเห็น:

คอตลิน

init {
  TfLiteVision.initialize(context)
    }
  }

เคล็ดลับ: โมดูล TensorFlow Lite ได้รับการติดตั้งพร้อมกับการติดตั้งหรืออัปเดตแอปพลิเคชันของคุณจาก Play Store คุณสามารถตรวจสอบความพร้อมใช้งานของโมดูลได้โดยใช้ ModuleInstallClient จาก API ของบริการ Google Play สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการตรวจสอบความพร้อมใช้งานของโมดูล โปรดดูที่ การตรวจสอบความพร้อมใช้งานของ API ด้วย ModuleInstallClient

3. เรียกใช้การอนุมาน

หลังจากเริ่มต้นองค์ประกอบ TensorFlow Lite แล้ว ให้เรียกใช้เมธอด detect() เพื่อสร้างการอนุมาน รหัสที่แน่นอนภายใน detect() จะแตกต่างกันไปขึ้นอยู่กับไลบรารีและกรณีการใช้งาน ต่อไปนี้เป็นกรณีการใช้งานการตรวจจับวัตถุอย่างง่ายกับไลบรารี TfLiteVision :

คอตลิน

fun detect(...) {
  if (!TfLiteVision.isInitialized()) {
    Log.e(TAG, "detect: TfLiteVision is not initialized yet")
    return
  }

  if (objectDetector == null) {
    setupObjectDetector()
  }

  ...

}

ขึ้นอยู่กับรูปแบบข้อมูล คุณอาจต้องประมวลผลล่วงหน้าและแปลงข้อมูลของคุณภายในเมธอด detect() ก่อนที่จะสร้างการอนุมาน ตัวอย่างเช่น ข้อมูลรูปภาพสำหรับตัวตรวจจับวัตถุจำเป็นต้องมีสิ่งต่อไปนี้:

val imageProcessor = ImageProcessor.Builder().add(Rot90Op(-imageRotation / 90)).build()
val tensorImage = imageProcessor.process(TensorImage.fromBitmap(image))
val results = objectDetector?.detect(tensorImage)

การใช้ Interpreter API

Interpreter API ให้การควบคุมและความยืดหยุ่นมากกว่า Task Library API คุณควรใช้ Interpreter API หากไลบรารีงานไม่รองรับงาน Machine Learning ของคุณ หรือหากคุณต้องการอินเทอร์เฟซที่ใช้งานทั่วไปมากขึ้นสำหรับการสร้างและใช้งานโมเดล ML

1. เพิ่มการพึ่งพาโครงการ

เพิ่มการอ้างอิงต่อไปนี้ลงในโค้ดโปรเจ็กต์แอปของคุณเพื่อเข้าถึง Play services API สำหรับ TensorFlow Lite:

dependencies {
...
    // Tensorflow Lite dependencies for Google Play services
    implementation 'com.google.android.gms:play-services-tflite-java:16.0.1'
    // Optional: include Tensorflow Lite Support Library
    implementation 'com.google.android.gms:play-services-tflite-support:16.0.1'
...
}

2. เพิ่มการเริ่มต้นของ TensorFlow Lite

เริ่มต้นองค์ประกอบ TensorFlow Lite ของ Google Play services API ก่อนที่ จะใช้ TensorFlow Lite API:

คอตลิน

val initializeTask: Task<Void> by lazy { TfLite.initialize(this) }

ชวา

Task<Void> initializeTask = TfLite.initialize(context);

3. สร้างล่ามและตั้งค่าตัวเลือกรันไทม์

สร้างล่ามโดยใช้ InterpreterApi.create() และกำหนดค่าให้ใช้รันไทม์ของบริการ Google Play โดยการเรียก InterpreterApi.Options.setRuntime() ดังที่แสดงในโค้ดตัวอย่างต่อไปนี้:

คอตลิน

import org.tensorflow.lite.InterpreterApi
import org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime
...
private lateinit var interpreter: InterpreterApi
...
initializeTask.addOnSuccessListener {
  val interpreterOption =
    InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)
  interpreter = InterpreterApi.create(
    modelBuffer,
    interpreterOption
  )}
  .addOnFailureListener { e ->
    Log.e("Interpreter", "Cannot initialize interpreter", e)
  }

ชวา

import org.tensorflow.lite.InterpreterApi
import org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime
...
private InterpreterApi interpreter;
...
initializeTask.addOnSuccessListener(a -> {
    interpreter = InterpreterApi.create(modelBuffer,
      new InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY));
  })
  .addOnFailureListener(e -> {
    Log.e("Interpreter", String.format("Cannot initialize interpreter: %s",
          e.getMessage()));
  });

คุณควรใช้การดำเนินการข้างต้นเนื่องจากจะหลีกเลี่ยงการบล็อกเธรดอินเทอร์เฟซผู้ใช้ Android หากคุณต้องการจัดการการดำเนินการเธรดอย่างใกล้ชิดยิ่งขึ้น คุณสามารถเพิ่มการเรียก Tasks.await() เพื่อสร้างล่ามได้:

คอตลิน

import androidx.lifecycle.lifecycleScope
...
lifecycleScope.launchWhenStarted { // uses coroutine
  initializeTask.await()
}

ชวา

@BackgroundThread
InterpreterApi initializeInterpreter() {
    Tasks.await(initializeTask);
    return InterpreterApi.create(...);
}

4. เรียกใช้การอนุมาน

ใช้ interpreter ล่ามที่คุณสร้างขึ้น เรียกใช้เมธอด run() เพื่อสร้างการอนุมาน

คอตลิน

interpreter.run(inputBuffer, outputBuffer)

ชวา

interpreter.run(inputBuffer, outputBuffer);

การเร่งความเร็วด้วยฮาร์ดแวร์

TensorFlow Lite ช่วยให้คุณเร่งความเร็วประสิทธิภาพของโมเดลได้โดยใช้โปรเซสเซอร์ฮาร์ดแวร์พิเศษ เช่น หน่วยประมวลผลกราฟิก (GPU) คุณสามารถใช้ประโยชน์จากโปรเซสเซอร์พิเศษเหล่านี้ได้โดยใช้ไดรเวอร์ฮาร์ดแวร์ที่เรียกว่า ผู้รับมอบสิทธิ์ คุณสามารถใช้ผู้รับมอบสิทธิ์การเร่งความเร็วด้วยฮาร์ดแวร์ต่อไปนี้กับ TensorFlow Lite ในบริการ Google Play:

ผู้รับมอบสิทธิ์ GPU (แนะนำ) - ผู้รับมอบสิทธิ์นี้ให้บริการผ่านบริการ Google Play และโหลดแบบไดนามิก เช่นเดียวกับเวอร์ชันบริการ Play ของ Task API และ Interpreter API
ผู้รับมอบสิทธิ์ NNAPI - ผู้รับมอบสิทธิ์นี้พร้อมใช้งานในรูปแบบการพึ่งพาไลบรารีที่รวมอยู่ในโครงการพัฒนา Android ของคุณ และรวมอยู่ในแอปของคุณ

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการเร่งด้วยฮาร์ดแวร์ด้วย TensorFlow Lite โปรดดูที่หน้า ผู้ร่วมประชุม TensorFlow Lite

กำลังตรวจสอบความเข้ากันได้ของอุปกรณ์

อุปกรณ์บางชนิดไม่รองรับการเร่งด้วยฮาร์ดแวร์ GPU ด้วย TFLite เพื่อลดข้อผิดพลาดและการหยุดทำงานที่อาจเกิดขึ้น ให้ใช้วิธีการ TfLiteGpu.isGpuDelegateAvailable เพื่อตรวจสอบว่าอุปกรณ์เข้ากันได้กับผู้รับมอบสิทธิ์ GPU หรือไม่

ใช้วิธีนี้เพื่อยืนยันว่าอุปกรณ์เข้ากันได้กับ GPU หรือไม่ และใช้ CPU หรือตัวแทน NNAPI เป็นทางเลือกเมื่อไม่รองรับ GPU

useGpuTask = TfLiteGpu.isGpuDelegateAvailable(context)

เมื่อคุณมีตัวแปรเช่น useGpuTask แล้ว คุณสามารถใช้ตัวแปรนั้นเพื่อพิจารณาว่าอุปกรณ์ใช้ตัวแทน GPU หรือไม่ ตัวอย่างต่อไปนี้แสดงวิธีการดำเนินการนี้กับทั้ง Task Library และ Interpreter API

ด้วย Task Api

คอตลิน

lateinit val optionsTask = useGpuTask.continueWith { task ->
  val baseOptionsBuilder = BaseOptions.builder()
  if (task.result) {
    baseOptionsBuilder.useGpu()
  }
 ObjectDetectorOptions.builder()
          .setBaseOptions(baseOptionsBuilder.build())
          .setMaxResults(1)
          .build()
}

ชวา

Task<ObjectDetectorOptions> optionsTask = useGpuTask.continueWith({ task ->
  BaseOptions baseOptionsBuilder = BaseOptions.builder();
  if (task.getResult()) {
    baseOptionsBuilder.useGpu();
  }
  return ObjectDetectorOptions.builder()
          .setBaseOptions(baseOptionsBuilder.build())
          .setMaxResults(1)
          .build()
});

ด้วยล่าม Api

คอตลิน

val interpreterTask = useGpuTask.continueWith { task ->
  val interpreterOptions = InterpreterApi.Options()
      .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)
  if (task.result) {
      interpreterOptions.addDelegateFactory(GpuDelegateFactory())
  }
  InterpreterApi.create(FileUtil.loadMappedFile(context, MODEL_PATH), interpreterOptions)
}

ชวา

Task<InterpreterApi.Options> interpreterOptionsTask = useGpuTask.continueWith({ task ->
  InterpreterApi.Options options =
      new InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY);
  if (task.getResult()) {
     options.addDelegateFactory(new GpuDelegateFactory());
  }
  return options;
});

GPU พร้อม Task Library API

วิธีใช้ตัวแทน GPU กับ Task API:

อัปเดตการพึ่งพาโปรเจ็กต์เพื่อใช้ตัวแทน GPU จากบริการ Play:
```
implementation 'com.google.android.gms:play-services-tflite-gpu:16.1.0'
```
เริ่มต้นผู้รับมอบสิทธิ์ GPU ด้วย setEnableGpuDelegateSupport ตัวอย่างเช่น คุณสามารถเริ่มต้นการมอบหมาย GPU สำหรับ TfLiteVision ได้ดังต่อไปนี้:
คอตลิน
```
    TfLiteVision.initialize(context, TfLiteInitializationOptions.builder().setEnableGpuDelegateSupport(true).build())
    
```
ชวา
```
    TfLiteVision.initialize(context, TfLiteInitializationOptions.builder().setEnableGpuDelegateSupport(true).build());
    
```

เปิดใช้งานตัวเลือกผู้รับมอบสิทธิ์ GPU ด้วย BaseOptions :

คอตลิน

    val baseOptions = BaseOptions.builder().useGpu().build()

ชวา

    BaseOptions baseOptions = BaseOptions.builder().useGpu().build();

กำหนดค่าตัวเลือกโดยใช้ .setBaseOptions ตัวอย่างเช่น คุณสามารถตั้งค่า GPU ใน ObjectDetector ได้ดังต่อไปนี้:

คอตลิน

    val options =
        ObjectDetectorOptions.builder()
            .setBaseOptions(baseOptions)
            .setMaxResults(1)
            .build()

ชวา

    ObjectDetectorOptions options =
        ObjectDetectorOptions.builder()
            .setBaseOptions(baseOptions)
            .setMaxResults(1)
            .build();

GPU พร้อม Interpreter API

หากต้องการใช้ตัวแทน GPU กับ Interpreter API:

อัปเดตการพึ่งพาโปรเจ็กต์เพื่อใช้ตัวแทน GPU จากบริการ Play:
```
implementation 'com.google.android.gms:play-services-tflite-gpu:16.1.0'
```

เปิดใช้งานตัวเลือกผู้รับมอบสิทธิ์ GPU ในการเริ่มต้น TFlite:

คอตลิน

    TfLite.initialize(context,
      TfLiteInitializationOptions.builder()
       .setEnableGpuDelegateSupport(true)
       .build())

ชวา

    TfLite.initialize(context,
      TfLiteInitializationOptions.builder()
       .setEnableGpuDelegateSupport(true)
       .build());

ตั้งค่าตัวแทน GPU ในตัวเลือกล่ามเพื่อใช้ DelegateFactory โดยการเรียก addDelegateFactory() ภายใน InterpreterApi.Options() :

คอตลิน

    val interpreterOption = InterpreterApi.Options()
     .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)
     .addDelegateFactory(GpuDelegateFactory())

ชวา

    Options interpreterOption = InterpreterApi.Options()
      .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)
      .addDelegateFactory(new GpuDelegateFactory());

การย้ายข้อมูลจาก TensorFlow Lite แบบสแตนด์อโลน

หากคุณวางแผนที่จะย้ายแอปของคุณจาก TensorFlow Lite แบบสแตนด์อโลนไปยัง Play services API โปรดอ่านคำแนะนำเพิ่มเติมต่อไปนี้สำหรับการอัปเดตโค้ดโปรเจ็กต์แอปของคุณ:

ตรวจสอบส่วน ข้อจำกัด ของหน้านี้เพื่อให้แน่ใจว่ากรณีการใช้งานของคุณได้รับการสนับสนุน
ก่อนที่จะอัปเดตโค้ด ให้ตรวจสอบประสิทธิภาพและความแม่นยำสำหรับโมเดลของคุณ โดยเฉพาะอย่างยิ่งหากคุณใช้ TensorFlow Lite เวอร์ชันเก่ากว่าเวอร์ชัน 2.1 เพื่อให้คุณมีข้อมูลพื้นฐานในการเปรียบเทียบกับการใช้งานใหม่
หากคุณได้ย้ายโค้ดทั้งหมดของคุณไปใช้ Play services API สำหรับ TensorFlow Lite คุณควรลบการพึ่งพา ไลบรารีรันไทม์ TensorFlow Lite ที่มีอยู่ (รายการที่มี org.tensorflow: tensorflow-lite :* ) ออกจากไฟล์ build.gradle ของคุณเพื่อให้คุณ สามารถลดขนาดแอปของคุณได้
ระบุเหตุการณ์ทั้งหมดของการสร้างอ็อบเจ็กต์ new Interpreter ในโค้ดของคุณ และแก้ไขเพื่อใช้การเรียก InterpreterApi.create() API ใหม่นี้เป็นแบบอะซิงโครนัส ซึ่งหมายความว่าในกรณีส่วนใหญ่ จะไม่ใช่การแทนที่แบบดรอปอิน และคุณต้องลงทะเบียน Listener เมื่อการโทรเสร็จสิ้น โปรดดูข้อมูลโค้ดในโค้ด ขั้นตอนที่ 3
เพิ่ม import org.tensorflow.lite.InterpreterApi; และ import org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime; ไปยังไฟล์ต้นฉบับใด ๆ ที่ใช้คลาส org.tensorflow.lite.Interpreter หรือ org.tensorflow.lite.InterpreterApi
หากผลลัพธ์การเรียก InterpreterApi.create() มีเพียงอาร์กิวเมนต์เดียว ให้เพิ่ม new InterpreterApi.Options() ต่อท้ายรายการอาร์กิวเมนต์
ผนวก .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) ต่อท้ายอาร์กิวเมนต์ของการเรียก InterpreterApi.create()
แทนที่รายการอื่นๆ ทั้งหมดของคลาส org.tensorflow.lite.Interpreter ด้วย org.tensorflow.lite.InterpreterApi

หากคุณต้องการใช้ TensorFlow Lite แบบสแตนด์อโลนและ Play services API เคียงข้างกัน คุณต้องใช้ TensorFlow Lite 2.9 (หรือใหม่กว่า) TensorFlow Lite 2.8 และเวอร์ชันก่อนหน้าเข้ากันไม่ได้กับเวอร์ชัน Play services API

ข้อจำกัด

TensorFlow Lite ในบริการ Google Play มีข้อจำกัดดังต่อไปนี้:

การสนับสนุนสำหรับผู้รับมอบสิทธิ์การเร่งความเร็วด้วยฮาร์ดแวร์นั้นจำกัดเฉพาะผู้รับมอบสิทธิ์ที่ระบุไว้ในส่วน การเร่งความเร็วด้วยฮาร์ดแวร์ ไม่รองรับการเร่งความเร็วอื่น ๆ
ไม่รองรับการเข้าถึง TensorFlow Lite ผ่าน Native API เฉพาะ TensorFlow Lite Java API เท่านั้นที่พร้อมใช้งานผ่านบริการ Google Play
ไม่รองรับ TensorFlow Lite API รุ่นทดลองหรือที่เลิกใช้แล้ว รวมถึงการดำเนินการที่กำหนดเอง

การสนับสนุนและข้อเสนอแนะ

คุณสามารถให้ข้อเสนอแนะและรับการสนับสนุนผ่านทาง TensorFlow Issue Tracker โปรดรายงานปัญหาและคำขอการสนับสนุนโดยใช้ เทมเพลตปัญหา สำหรับ TensorFlow Lite ในบริการ Google Play

เงื่อนไขการให้บริการ

การใช้ TensorFlow Lite ใน API ของบริการ Google Play อยู่ภายใต้ ข้อกำหนดในการให้บริการของ Google API

ความเป็นส่วนตัวและการรวบรวมข้อมูล

เมื่อคุณใช้ TensorFlow Lite ใน API ของบริการ Google Play การประมวลผลข้อมูลอินพุต เช่น รูปภาพ วิดีโอ ข้อความ เกิดขึ้นอย่างสมบูรณ์ในอุปกรณ์ และ TensorFlow Lite ใน API ของบริการ Google Play จะไม่ส่งข้อมูลนั้นไปยังเซิร์ฟเวอร์ของ Google ด้วยเหตุนี้ คุณสามารถใช้ API ของเราเพื่อประมวลผลข้อมูลที่ไม่ควรออกจากอุปกรณ์ได้

TensorFlow Lite ใน API ของบริการ Google Play อาจติดต่อกับเซิร์ฟเวอร์ของ Google เป็นครั้งคราวเพื่อรับสิ่งต่างๆ เช่น การแก้ไขข้อบกพร่อง รุ่นที่อัปเดต และข้อมูลความเข้ากันได้ของตัวเร่งฮาร์ดแวร์ TensorFlow Lite ใน API ของบริการ Google Play ยังส่งเมตริกเกี่ยวกับประสิทธิภาพและการใช้งาน API ในแอปของคุณไปยัง Google อีกด้วย Google ใช้ข้อมูลเมตริกนี้เพื่อวัดประสิทธิภาพ แก้ไขข้อบกพร่อง บำรุงรักษาและปรับปรุง API และตรวจจับการใช้งานในทางที่ผิดหรือการละเมิด ตามที่อธิบายเพิ่มเติมใน นโยบายความเป็นส่วนตัว ของเรา

คุณมีหน้าที่รับผิดชอบในการแจ้งผู้ใช้เกี่ยวกับแอปของคุณเกี่ยวกับการประมวลผลข้อมูลเมตริก TensorFlow Lite ของ Google ในบริการ Google Play APIs ตามที่กฎหมายที่เกี่ยวข้องกำหนด

ข้อมูลที่เรารวบรวมมีดังต่อไปนี้:

ข้อมูลอุปกรณ์ (เช่น ผู้ผลิต รุ่น เวอร์ชันระบบปฏิบัติการ และบิลด์) และตัวเร่งฮาร์ดแวร์ ML ที่พร้อมใช้งาน (GPU และ DSP) ใช้สำหรับการวินิจฉัยและการวิเคราะห์การใช้งาน
ตัวระบุอุปกรณ์ที่ใช้สำหรับการวินิจฉัยและการวิเคราะห์การใช้งาน
ข้อมูลแอป (ชื่อแพ็คเกจ เวอร์ชันแอป) ใช้สำหรับการวินิจฉัยและการวิเคราะห์การใช้งาน
การกำหนดค่า API (เช่น มีการใช้ผู้รับมอบสิทธิ์คนใด) ใช้สำหรับการวินิจฉัยและการวิเคราะห์การใช้งาน
ประเภทเหตุการณ์ (เช่น การสร้างล่าม การอนุมาน) ใช้สำหรับการวินิจฉัยและการวิเคราะห์การใช้งาน
รหัสข้อผิดพลาด ใช้สำหรับการวินิจฉัย
การวัดประสิทธิภาพ. ใช้สำหรับการวินิจฉัย

ขั้นตอนถัดไป

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการนำแมชชีนเลิร์นนิงไปใช้ในแอปพลิเคชันมือถือของคุณด้วย TensorFlow Lite โปรดดู คู่มือนักพัฒนา TensorFlow Lite คุณสามารถค้นหาโมเดล TensorFlow Lite เพิ่มเติมสำหรับการจำแนกรูปภาพ การตรวจจับวัตถุ และแอปพลิเคชันอื่นๆ ได้ใน TensorFlow Hub