این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

راهنمای TensorFlow Lite

TensorFlow Lite مجموعه ای از ابزارها برای کمک به توسعه دهندگان است که مدل های TensorFlow را روی دستگاه های همراه ، جاسازی شده و اینترنت اشیا اجرا می کنند. این قابلیت تاخیر یادگیری ماشین روی دستگاه را با تأخیر کم و اندازه باینری کوچک امکان پذیر می کند.

TensorFlow Lite از دو جز main اصلی تشکیل شده است:

  • مفسر TensorFlow Lite ، که مدل های بهینه سازی شده ویژه ای را روی انواع مختلف سخت افزار از جمله تلفن های همراه ، دستگاه های جاسازی شده لینوکس و میکروکنترلرها اجرا می کند.
  • مبدل TensorFlow Lite ، که مدل های TensorFlow را به فرم کارآمد برای استفاده توسط مفسر تبدیل می کند و می تواند بهینه سازی هایی را برای بهبود اندازه و عملکرد باینری ارائه دهد.

یادگیری ماشین در لبه

TensorFlow Lite به این منظور طراحی شده است که به جای ارسال اطلاعات از سرور به جلو و عقب ، یادگیری ماشین در دستگاه های "در لبه" شبکه را آسان می کند. برای توسعه دهندگان ، انجام یادگیری ماشین در دستگاه می تواند به بهبود موارد زیر کمک کند:

  • تأخیر: رفت و برگشت به سرور وجود ندارد
  • حریم خصوصی: هیچ داده ای برای خروج از دستگاه لازم نیست
  • اتصال: اتصال به اینترنت مورد نیاز نیست
  • مصرف برق: اتصالات شبکه گرسنه برق هستند

TensorFlow Lite با طیف وسیعی از دستگاه ها ، از میکروکنترلرهای کوچک گرفته تا تلفن های همراه قدرتمند کار می کند.

شروع کنید

برای شروع کار با TensorFlow بازگشت به محتوا | دستگاه های تلفن همراه، بازدید آغاز شده مطلع . اگر شما می خواهید برای استقرار مدل TensorFlow آرشیو برای میکروکنترلرها، بازدید میکروکنترلرها .

ویژگی های اصلی

  • مترجم برای ML روی دستگاه تنظیم شده است ، از مجموعه ای از اپراتورهای اصلی که برای برنامه های روی دستگاه بهینه شده اند و با اندازه باینری کوچک پشتیبانی می کند.
  • پشتیبانی از پلت فرم متنوع ، پوشش دستگاه های Android و iOS ، جاسازی شده لینوکس و میکروکنترلرها ، استفاده از API های پلت فرم برای استنتاج سریع.
  • API ها برای چندین زبان از جمله جاوا ، Swift ، Objective-C ، C ++ و پایتون.
  • عملکرد بالا ، همراه با شتاب سخت افزاری در دستگاه های پشتیبانی شده ، هسته های بهینه شده دستگاه و فعال سازی ها و تعصبات از پیش ذوب شده .
  • ابزارهای بهینه سازی مدل ، از جمله مقداردهی ، که می توانند اندازه را کاهش دهند و عملکرد مدل ها را افزایش دهند بدون اینکه دقت را از بین ببرند.
  • قالب مدل کارآمد ، استفاده از FlatBuffer که برای اندازه کوچک و قابلیت حمل بهینه شده است.
  • مدل های از قبل آموزش دیده برای کارهای معمول یادگیری ماشین که می توانند متناسب با برنامه شما باشند.
  • نمونه ها و آموزش هایی که به شما نشان می دهد چگونه می توانید مدل های یادگیری ماشین را در سیستم عامل های پشتیبانی شده به کار بگیرید.

گردش کار توسعه

گردش کار برای استفاده از TensorFlow Lite شامل مراحل زیر است:

  1. یک مدل انتخاب کنید

    مدل TensorFlow خود را بیاورید ، یک مدل را به صورت آنلاین پیدا کنید یا یک مدل را از مدلهای ما که قبلاً آموزش دیده اند انتخاب کنید تا در آن شرکت کنید یا دوباره آموزش ببینید.

  2. مدل را تبدیل کنید

    اگر از یک مدل سفارشی استفاده می کنید ، از مبدل TensorFlow Lite و چند خط پایتون استفاده کنید تا آن را به قالب TensorFlow Lite تبدیل کنید.

  3. در دستگاه خود نصب کنید

    مدل خود را روی دستگاه با مفسر TensorFlow Lite و API در بسیاری از زبانها اجرا کنید.

  4. مدل خود را بهینه کنید

    از جعبه ابزار بهینه سازی مدل ما برای کاهش اندازه مدل خود و افزایش کارایی آن با حداقل تأثیر بر دقت استفاده کنید.

برای کسب اطلاعات بیشتر در مورد استفاده از TensorFlow Lite در پروژه خود ، به " شروع" مراجعه کنید.

محدودیت های فنی

TensorFlow Lite قصد دارد برای هر مدل TensorFlow استنباط با عملکرد بالا را در دستگاه ارائه دهد. با این حال ، مفسر TensorFlow Lite در حال حاضر از زیر مجموعه محدودی از اپراتورهای TensorFlow پشتیبانی می کند که برای استفاده روی دستگاه بهینه شده اند. این بدان معناست که برخی از مدل ها برای کار با TensorFlow Lite به مراحل اضافی نیاز دارند.

برای یادگیری اینکه کدام اپراتورها در دسترس هستند ، به سازگاری اپراتور مراجعه کنید.

اگر مدل شما از اپراتورهایی استفاده می کند که هنوز توسط مفسر TensorFlow Lite پشتیبانی نمی شوند ، می توانید از TensorFlow Select برای قرار دادن عملیات TensorFlow در ساخت TensorFlow Lite استفاده کنید. با این حال ، این امر منجر به افزایش اندازه باینری می شود.

TensorFlow Lite در حال حاضر از آموزش روی دستگاه پشتیبانی نمی کند ، اما همراه با سایر پیشرفت های برنامه ریزی شده در نقشه راه ما وجود دارد.

مراحل بعدی

آیا می خواهید در مورد TensorFlow Lite یاد بگیرید؟ در اینجا چند مرحله بعدی آورده شده است: