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

راهنمای TensorFlow Lite

TensorFlow Lite مجموعه ای از ابزارهایی است که به توسعه دهندگان کمک می کند مدل های TensorFlow را در دستگاه های تلفن همراه ، تعبیه شده و IoT اجرا کنند. این دستگاه استنباط یادگیری دستگاه را با تاخیر کم و اندازه باینری کوچک امکان پذیر می کند.

TensorFlow Lite از دو مؤلفه اصلی تشکیل شده است:

  • مترجم TensorFlow Lite ، که مدل های بهینه سازی شده ای را در بسیاری از انواع سخت افزارهای مختلف از جمله تلفن های همراه ، دستگاه های تعبیه شده Linux و میکروکنترلرها اجرا می کند.
  • مبدل TensorFlow Lite ، که مدل های TensorFlow را به یک فرم کارآمد برای استفاده توسط مترجم تبدیل می کند و می تواند بهینه سازی هایی را برای بهبود اندازه و عملکرد باینری معرفی کند.

یادگیری ماشین در لبه

TensorFlow Lite به گونه ای طراحی شده است که به جای ارسال داده ها به جلو و عقب از یک سرور ، انجام یادگیری ماشین بر روی دستگاه ها "در لبه" شبکه را آسان می کند. برای توسعه دهندگان ، انجام یادگیری ماشین بر روی دستگاه می تواند به بهبود کمک کند:

  • تأخیر: هیچ سفر دور به سرور وجود ندارد
  • حریم خصوصی: برای خروج دستگاه نیازی به داده نیست
  • اتصال: اتصال به اینترنت لازم نیست
  • مصرف برق: اتصالات شبکه گرسنه هستند

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

شروع کنید

برای شروع کار با TensorFlow Lite در دستگاه های تلفن همراه ، از شروع کار بازدید کنید. اگر شما می خواهید برای استقرار مدل TensorFlow آرشیو برای میکروکنترلرها، بازدید میکروکنترلرها .

ویژگی های کلیدی

  • مترجم برای ML روی دستگاه تنظیم شده است ، از مجموعه ای از اپراتورهای اصلی پشتیبانی می کند که برای برنامه های کاربردی روی دستگاه و با اندازه باینری کوچک بهینه شده اند.
  • پشتیبانی از پلتفرم متنوع ، پوشش دستگاههای Android و iOS ، Linux تعبیه شده و میکروکنترلرها ، استفاده از API های سیستم عامل برای استنتاج سریع.
  • API برای چندین زبان از جمله Java ، Swift ، Objective-C ، C ++ و Python.
  • عملکرد بالا ، با شتاب سخت افزاری در دستگاه های پشتیبانی شده ، هسته های بهینه شده دستگاه و فعال سازی ها و سوگیری های از پیش آمیخته .
  • ابزارهای بهینه سازی مدل ، از جمله کمیت ، که می تواند اندازه را کاهش دهد و عملکرد مدل ها را افزایش دهد بدون آنکه دقت را قربانی کند.
  • قالب مدل کارآمد ، با استفاده از FlatBuffer که برای اندازه و قابلیت حمل کوچک بهینه شده است.
  • مدل های از قبل آموزش دیده برای کارهای یادگیری ماشین مشترک است که می تواند به برنامه شما سفارشی.
  • 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 مستقر کنید.

گردش کار توسعه

گردش کار برای استفاده از TensorFlow Lite مراحل زیر را شامل می شود:

  1. یک مدل انتخاب کنید

    مدل TensorFlow خود را بیاورید ، یک مدل را آنلاین پیدا کنید یا از مدلهای از قبل آموزش دیده ما مدل خود را انتخاب کنید تا در آن بازیابی یا دوباره بازیابی شود.

  2. مدل را تبدیل کنید

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

  3. به دستگاه خود مستقر کنید

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

  4. مدل خود را بهینه کنید

    برای کاهش سایز مدل خود و افزایش کارآیی آن با حداقل تاثیر در دقت ، از ابزار ابزار بهینه سازی مدل استفاده کنید.

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

محدودیت های فنی

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

برای یادگیری 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 استفاده کنید تا عملیات TensorFlow را در ساخت TensorFlow Lite خود بگنجانید. با این حال ، این منجر به افزایش اندازه باینری خواهد شد.

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

مراحل بعدی

آیا می خواهید یادگیری در مورد TensorFlow Lite را ادامه دهید؟ در اینجا مراحل بعدی آورده شده است: