TensorFlow Lite משתמש במודלים של TensorFlow שהומרו לתבנית מודל למידת מכונה (ML) קטנה ויעילה יותר. אתה יכול להשתמש במודלים מאומנים מראש עם TensorFlow Lite, לשנות מודלים קיימים, או לבנות דגמי TensorFlow משלך ולאחר מכן להמיר אותם לפורמט TensorFlow Lite. דגמי TensorFlow Lite יכולים לבצע כמעט כל משימה שמודל TensorFlow רגיל יכול לעשות: זיהוי אובייקטים, עיבוד שפה טבעית, זיהוי תבניות ועוד תוך שימוש במגוון רחב של נתוני קלט כולל תמונות, וידאו, אודיו וטקסט.

מפת דרכים למידה

קבל דגמים עבור TensorFlow Lite

אתה לא צריך לבנות מודל TensorFlow Lite כדי להתחיל להשתמש בלמידה חישובית בניידים או במכשירי קצה. דגמים רבים שכבר נבנו ומותאמים זמינים עבורך לשימוש מיידי ביישום שלך. אתה יכול להתחיל עם שימוש במודלים מאומנים מראש ב-TensorFlow Lite ולעלות לבניית מודלים מותאמים אישית לאורך זמן, באופן הבא:

1. התחל לפתח תכונות למידת מכונה עם מודלים שכבר הוכשרו.
2. שנה מודלים קיימים של TensorFlow Lite באמצעות כלים כגון Model Maker .
3. בנה מודל מותאם אישית עם כלי TensorFlow ולאחר מכן המר אותו ל- TensorFlow Lite.

שימוש במודלים למשימות מהירות: ערכת ML

אם אתה מנסה ליישם במהירות תכונות או משימות שירות עם למידת מכונה, עליך לסקור את מקרי השימוש הנתמכים על ידי ML ​​Kit לפני תחילת הפיתוח עם TensorFlow Lite. כלי פיתוח זה מספק ממשקי API שניתן להתקשר אליהם ישירות מאפליקציות לנייד כדי להשלים משימות ML נפוצות כגון סריקת ברקוד ותרגום במכשיר. שימוש בשיטה זו יכול לעזור לך להשיג תוצאות במהירות. עם זאת, ל-ML Kit יש אפשרויות מוגבלות להרחבת היכולות שלה. למידע נוסף, עיין בתיעוד המפתחים של ערכת ML .

בניית מודלים לאפליקציה שלך: אילוצים

אם בניית מודל מותאם אישית עבור מקרה השימוש הספציפי שלך היא המטרה הסופית שלך, עליך להתחיל בפיתוח והדרכה של מודל TensorFlow או הרחבת מודל קיים. לפני שתתחיל בתהליך פיתוח המודל שלך, עליך להיות מודע לאילוצים עבור דגמי TensorFlow Lite ולבנות את המודל שלך תוך מחשבה על האילוצים הבאים:

• יכולות מחשוב מוגבלות - בהשוואה לשרתים מאובזרים עם ריבוי מעבדים, קיבולת זיכרון גבוהה ומעבדים מיוחדים כמו GPUs ו-TPUs, התקני הנייד והקצה מוגבלים הרבה יותר, והדגמים והנתונים שניתן לעבד איתם ביעילות מוגבלים.
• גודל מודלים - המורכבות הכוללת של מודל, כולל לוגיקה של עיבוד מוקדם של נתונים ומספר השכבות במודל, מגדילה את גודל המודל בזיכרון. דגם גדול עשוי לפעול לאט בצורה בלתי מתקבלת על הדעת או שפשוט לא יתאים לזיכרון הזמין של מכשיר נייד או קצה.
• גודל הנתונים - גודל נתוני הקלט שניתן לעבד ביעילות עם מודל למידת מכונה מוגבל במכשיר נייד או קצה. מודלים המשתמשים בספריות נתונים גדולות כגון ספריות שפות, ספריות תמונות או ספריות וידאו קליפים עלולים שלא להתאים למכשירים אלה, וייתכן שידרשו פתרונות אחסון וגישה מחוץ למכשיר.
• פעולות TensorFlow נתמכות - סביבות זמן ריצה של TensorFlow Lite תומכות במספר קטן יותר של פעולות מודל למידת מכונה בהשוואה לדגמי TensorFlow רגילים. בזמן שאתה מפתח מודל לשימוש עם TensorFlow Lite, עליך לעקוב אחר התאימות של המודל שלך מול היכולות של סביבות זמן ריצה של TensorFlow Lite.

למידע נוסף על בניית מודלים יעילים, תואמים ובעלי ביצועים גבוהים עבור TensorFlow Lite, ראה שיטות עבודה מומלצות לביצועים .

הצעדים הבאים