TensorFlow Lite использует модели TensorFlow, преобразованные в меньший и более эффективный формат модели машинного обучения (ML). Вы можете использовать предварительно обученные модели с TensorFlow Lite, изменять существующие модели или создавать свои собственные модели TensorFlow, а затем преобразовывать их в формат TensorFlow Lite. Модели TensorFlow Lite могут выполнять практически любую задачу, которую может выполнять обычная модель TensorFlow: обнаружение объектов, обработка естественного языка, распознавание образов и многое другое с использованием широкого спектра входных данных, включая изображения, видео, аудио и текст.

Перейдите к разделу Преобразование , чтобы узнать, как заставить вашу модель работать с TensorFlow Lite.
Чтобы получить рекомендации по получению моделей для вашего варианта использования, продолжайте читать .

Вам не нужно создавать модель TensorFlow Lite, чтобы начать использовать машинное обучение на мобильных или периферийных устройствах. Многие уже созданные и оптимизированные модели доступны для немедленного использования в вашем приложении. Вы можете начать с использования предварительно обученных моделей в TensorFlow Lite и со временем перейти к созданию пользовательских моделей следующим образом:

  1. Начните разрабатывать функции машинного обучения с уже обученными моделями.
  2. Модифицируйте существующие модели TensorFlow Lite с помощью таких инструментов, как Model Maker .
  3. Создайте пользовательскую модель с помощью инструментов TensorFlow, а затем преобразуйте ее в TensorFlow Lite.

Если вы пытаетесь быстро реализовать функции или служебные задачи с помощью машинного обучения, вам следует просмотреть варианты использования, поддерживаемые ML Kit , прежде чем начинать разработку с помощью TensorFlow Lite. Этот инструмент разработки предоставляет API-интерфейсы, которые вы можете вызывать непосредственно из мобильных приложений для выполнения стандартных задач машинного обучения, таких как сканирование штрих-кода и перевод на устройстве. Использование этого метода может помочь вам быстро получить результаты. Однако ML Kit имеет ограниченные возможности для расширения своих возможностей. Дополнительные сведения см. в документации разработчика ML Kit .


Если вашей конечной целью является создание пользовательской модели для вашего конкретного варианта использования, вам следует начать с разработки и обучения модели TensorFlow или расширения существующей. Прежде чем вы начнете процесс разработки модели, вы должны знать об ограничениях для моделей TensorFlow Lite и строить свою модель с учетом этих ограничений:

  • Ограниченные вычислительные возможности . По сравнению с полностью оборудованными серверами с несколькими ЦП, большой емкостью памяти и специализированными процессорами, такими как GPU и TPU, мобильные и периферийные устройства гораздо более ограничены, а модели и данные, которые вы можете эффективно обрабатывать с их помощью, ограничены.
  • Размер моделей . Общая сложность модели, включая логику предварительной обработки данных и количество слоев в модели, увеличивает размер модели в памяти. Большая модель может работать неприемлемо медленно или просто не помещаться в доступной памяти мобильного или пограничного устройства.
  • Размер данных . Размер входных данных, которые могут быть эффективно обработаны с помощью модели машинного обучения, ограничен на мобильном или пограничном устройстве. Модели, в которых используются большие библиотеки данных, такие как языковые библиотеки, библиотеки изображений или библиотеки видеоклипов, могут не подходить для этих устройств, и для них могут потребоваться решения для хранения и доступа вне устройства.
  • Поддерживаемые операции TensorFlow. Среды выполнения TensorFlow Lite поддерживают меньшее количество операций модели машинного обучения по сравнению с обычными моделями TensorFlow. При разработке модели для использования с TensorFlow Lite вы должны отслеживать совместимость вашей модели с возможностями сред выполнения TensorFlow Lite.

Дополнительные сведения о создании эффективных, совместимых и высокопроизводительных моделей для TensorFlow Lite см. в разделе Рекомендации по повышению производительности.

Узнайте, как выбрать предварительно обученную модель машинного обучения для использования с TensorFlow Lite.
Используйте TensorFlow Lite Model Maker для изменения моделей с использованием данных обучения.
Узнайте, как создавать собственные модели TensorFlow для использования с TensorFlow Lite.