Có rất nhiều mô hình mã nguồn mở đã được đào tạo mà bạn có thể sử dụng ngay lập tức với TensorFlow Lite để hoàn thành nhiều tác vụ học máy. Việc sử dụng các mô hình TensorFlow Lite đã được đào tạo trước cho phép bạn thêm chức năng học máy vào ứng dụng thiết bị di động và thiết bị cạnh của mình một cách nhanh chóng mà không cần phải xây dựng và đào tạo mô hình. Hướng dẫn này giúp bạn tìm và quyết định các mô hình được đào tạo để sử dụng với TensorFlow Lite.
Bạn có thể bắt đầu duyệt các mô hình TensorFlow Lite ngay lập tức dựa trên các trường hợp sử dụng chung trong phần Ví dụ về TensorFlow Lite hoặc duyệt một tập hợp các mô hình lớn hơn trên TensorFlow Hub .
Tìm một mô hình cho ứng dụng của bạn
Việc tìm kiếm một mô hình TensorFlow Lite hiện có cho trường hợp sử dụng của bạn có thể khó khăn tùy thuộc vào những gì bạn đang cố gắng hoàn thành. Dưới đây là một số cách được đề xuất để khám phá các mô hình sử dụng với TensorFlow Lite:
Ví dụ: Cách nhanh nhất để tìm và bắt đầu sử dụng các mô hình với TensorFlow Lite là duyệt qua phần TensorFlow Lite Examples để tìm các mô hình thực hiện một tác vụ tương tự như trường hợp sử dụng của bạn. Danh mục ngắn các ví dụ này cung cấp các mô hình cho các trường hợp sử dụng phổ biến kèm theo giải thích về các mô hình và mã mẫu để bạn bắt đầu chạy và sử dụng chúng.
Theo loại đầu vào dữ liệu: Ngoài việc xem xét các ví dụ tương tự như trường hợp sử dụng của bạn, một cách khác để khám phá các mô hình cho mục đích sử dụng của riêng bạn là xem xét loại dữ liệu bạn muốn xử lý, chẳng hạn như dữ liệu âm thanh, văn bản, hình ảnh hoặc video. Các mô hình học máy thường được thiết kế để sử dụng với một trong các loại dữ liệu này, vì vậy việc tìm kiếm các mô hình xử lý loại dữ liệu bạn muốn sử dụng có thể giúp bạn thu hẹp mô hình nào cần xem xét. Trên TensorFlow Hub , bạn có thể sử dụng bộ lọc miền Sự cố để xem các kiểu dữ liệu mô hình và thu hẹp danh sách của mình.
Sau đây liệt kê các liên kết đến các mô hình TensorFlow Lite trên TensorFlow Hub cho các trường hợp sử dụng phổ biến:
- Các mô hình phân loại hình ảnh
- Các mô hình phát hiện đối tượng
- Các mô hình phân loại văn bản
- Mô hình nhúng văn bản
- Mô hình tổng hợp giọng nói âm thanh
- Mô hình nhúng âm thanh
Chọn giữa các mô hình tương tự
Nếu ứng dụng của bạn tuân theo một trường hợp sử dụng phổ biến như phân loại hình ảnh hoặc phát hiện đối tượng, bạn có thể thấy mình quyết định giữa nhiều mô hình TensorFlow Lite, với kích thước nhị phân khác nhau, kích thước đầu vào dữ liệu, tốc độ suy luận và xếp hạng độ chính xác của dự đoán. Khi quyết định giữa một số mô hình, trước tiên bạn nên thu hẹp các tùy chọn của mình dựa trên ràng buộc hạn chế nhất của bạn: kích thước mô hình, kích thước dữ liệu, tốc độ suy luận hoặc độ chính xác.
Nếu bạn không chắc chắn ràng buộc hạn chế nhất của mình là gì, hãy giả sử đó là kích thước của mô hình và chọn mô hình nhỏ nhất có sẵn. Chọn một mô hình nhỏ mang lại cho bạn sự linh hoạt nhất về các thiết bị mà bạn có thể triển khai và chạy mô hình thành công. Các mô hình nhỏ hơn cũng thường tạo ra các suy luận nhanh hơn và các dự đoán nhanh hơn thường tạo ra trải nghiệm người dùng cuối tốt hơn. Các mô hình nhỏ hơn thường có tỷ lệ chính xác thấp hơn, vì vậy bạn có thể cần chọn các mô hình lớn hơn nếu độ chính xác của dự đoán là mối quan tâm chính của bạn.
Nguồn cho các mô hình
Sử dụng phần TensorFlow Lite Ví dụ và TensorFlow Hub làm điểm đến đầu tiên của bạn để tìm và chọn các mô hình sử dụng với TensorFlow Lite. Các nguồn này thường có các mô hình cập nhật, được quản lý để sử dụng với TensorFlow Lite và thường bao gồm mã mẫu để đẩy nhanh quá trình phát triển của bạn.
Mô hình TensorFlow
Có thể chuyển đổi các mô hình TensorFlow thông thường sang định dạng TensorFlow Lite. Để biết thêm thông tin về việc chuyển đổi mô hình, hãy xem tài liệu TensorFlow Lite Converter . Bạn có thể tìm thấy các mô hình TensorFlow trên TensorFlow Hub và trong Vườn mô hình TensorFlow .