TensorFlow Lite ใช้โมเดล TensorFlow ที่แปลงเป็นรูปแบบโมเดลแมชชีนเลิร์นนิง (ML) ที่เล็กลงและมีประสิทธิภาพมากขึ้น คุณสามารถใช้โมเดลที่ฝึกอบรมล่วงหน้ากับ TensorFlow Lite ปรับเปลี่ยนโมเดลที่มีอยู่ หรือสร้างโมเดล TensorFlow ของคุณเอง แล้วแปลงเป็นรูปแบบ TensorFlow Lite โมเดล TensorFlow Lite สามารถทำงานได้เกือบทุกอย่างที่โมเดล TensorFlow ทั่วไปสามารถทำได้: การตรวจจับวัตถุ การประมวลผลภาษาธรรมชาติ การจดจำรูปแบบ และอื่นๆ โดยใช้ข้อมูลอินพุตที่หลากหลาย รวมถึงรูปภาพ วิดีโอ เสียง และข้อความ

ข้ามไปที่ส่วนการ แปลง เพื่อดูข้อมูลเกี่ยวกับการทำให้โมเดลของคุณทำงานกับ TensorFlow Lite
สำหรับคำแนะนำในการหาแบบจำลองสำหรับกรณีการใช้งานของคุณ โปรด อ่าน ต่อไป

คุณไม่จำเป็นต้องสร้างโมเดล TensorFlow Lite เพื่อเริ่มใช้การเรียนรู้ของเครื่องบนอุปกรณ์พกพาหรืออุปกรณ์ Edge มีโมเดลที่สร้างไว้แล้วและปรับให้เหมาะสมมากมายให้คุณใช้งานในแอปพลิเคชันของคุณได้ทันที คุณสามารถเริ่มต้นด้วยการใช้โมเดลที่ผ่านการฝึกอบรมล่วงหน้าใน TensorFlow Lite และเลื่อนขึ้นไปยังการสร้างแบบจำลองที่กำหนดเองเมื่อเวลาผ่านไป ดังนี้:

  1. เริ่มพัฒนาฟีเจอร์แมชชีนเลิร์นนิงด้วยโมเดลที่ผ่าน การฝึกอบรมมา แล้ว
  2. แก้ไขโมเดล TensorFlow Lite ที่มีอยู่โดยใช้เครื่องมือ เช่น Model Maker
  3. สร้าง โมเดลแบบกำหนดเอง ด้วยเครื่องมือ TensorFlow แล้ว แปลง เป็น TensorFlow Lite

หากคุณกำลังพยายามปรับใช้คุณลักษณะหรืองานยูทิลิตี้อย่างรวดเร็วด้วยการเรียนรู้ของเครื่อง คุณควรตรวจสอบกรณีการใช้งานที่ ML Kit รองรับก่อนเริ่มการพัฒนาด้วย TensorFlow Lite เครื่องมือการพัฒนานี้มี API ที่คุณสามารถเรียกใช้ได้โดยตรงจากแอพมือถือเพื่อทำงาน ML ทั่วไป เช่น การสแกนบาร์โค้ดและการแปลบนอุปกรณ์ การใช้วิธีนี้จะช่วยให้คุณได้ผลลัพธ์อย่างรวดเร็ว อย่างไรก็ตาม ML Kit มีตัวเลือกที่จำกัดสำหรับการขยายขีดความสามารถ สำหรับข้อมูลเพิ่มเติม โปรดดูเอกสารประกอบสำหรับนักพัฒนา ML Kit


หากการสร้างโมเดลแบบกำหนดเองสำหรับกรณีการใช้งานเฉพาะของคุณคือเป้าหมายสูงสุด คุณควรเริ่มต้นด้วยการพัฒนาและฝึกอบรมโมเดล TensorFlow หรือขยายโมเดลที่มีอยู่ ก่อนที่คุณจะเริ่มกระบวนการพัฒนาแบบจำลองของคุณ คุณควรตระหนักถึงข้อจำกัดสำหรับรุ่น TensorFlow Lite และสร้างแบบจำลองของคุณโดยคำนึงถึงข้อจำกัดเหล่านี้:

  • ความสามารถในการประมวลผลที่จำกัด - เมื่อเทียบกับเซิร์ฟเวอร์ที่มีอุปกรณ์ครบครันซึ่งมี CPU หลายตัว ความจุหน่วยความจำสูง และโปรเซสเซอร์เฉพาะทาง เช่น GPU และ TPU อุปกรณ์เคลื่อนที่และ Edge นั้นจำกัดกว่ามาก และรุ่นและข้อมูลที่คุณสามารถประมวลผลได้อย่างมีประสิทธิภาพนั้นมีจำกัด
  • ขนาดของโมเดล - ความซับซ้อนโดยรวมของโมเดล รวมถึงตรรกะการประมวลผลข้อมูลล่วงหน้าและจำนวนเลเยอร์ในโมเดล จะเพิ่มขนาดในหน่วยความจำของโมเดล รุ่นใหญ่อาจทำงานช้าจนไม่สามารถยอมรับได้หรืออาจไม่พอดีกับหน่วยความจำที่มีอยู่ของอุปกรณ์พกพาหรืออุปกรณ์ Edge
  • ขนาดของข้อมูล - ขนาดของข้อมูลที่ป้อนเข้าที่สามารถประมวลผลอย่างมีประสิทธิภาพด้วยโมเดลการเรียนรู้ของเครื่องนั้นถูกจำกัดบนอุปกรณ์พกพาหรืออุปกรณ์ Edge โมเดลที่ใช้ไลบรารีข้อมูลขนาดใหญ่ เช่น ไลบรารีภาษา ไลบรารีรูปภาพ หรือไลบรารีวิดีโอคลิป อาจไม่พอดีกับอุปกรณ์เหล่านี้ และอาจต้องใช้โซลูชันการจัดเก็บและการเข้าถึงจากอุปกรณ์ภายนอก
  • การทำงานของ TensorFlow ที่รองรับ - สภาพแวดล้อมรันไทม์ของ TensorFlow Lite รองรับการดำเนินการของโมเดลแมชชีนเลิร์นนิงในจำนวนที่น้อยกว่าเมื่อเทียบกับรุ่น TensorFlow ปกติ เมื่อคุณพัฒนาโมเดลสำหรับใช้กับ TensorFlow Lite คุณควรติดตามความเข้ากันได้ของโมเดลของคุณกับความสามารถของสภาพแวดล้อมรันไทม์ TensorFlow Lite

สำหรับข้อมูลเพิ่มเติมในการสร้างโมเดลที่มีประสิทธิภาพ เข้ากันได้ และมีประสิทธิภาพสูงสำหรับ TensorFlow Lite โปรดดู ที่ แนวทางปฏิบัติที่ดีที่สุด ด้านประสิทธิภาพ

เรียนรู้วิธีเลือกโมเดล ML ที่ฝึกไว้ล่วงหน้าเพื่อใช้กับ TensorFlow Lite
ใช้ TensorFlow Lite Model Maker เพื่อปรับแต่งโมเดลโดยใช้ข้อมูลการฝึกของคุณ
เรียนรู้วิธีสร้างแบบจำลอง TensorFlow แบบกำหนดเองเพื่อใช้กับ TensorFlow Lite