شروع شدن
TensorFlow Lite یک چارچوب یادگیری عمیق منبع باز برای اجرای مدل های TensorFlow بر روی دستگاه است. اگر تازه وارد TensorFlow Lite هستید ، توصیه می کنیم ابتدا مدل های از قبل آموزش دیده را کاوش کنید و برنامه های مثال زیر را روی یک دستگاه واقعی اجرا کنید تا ببینید TensorFlow Lite چه کاری می تواند انجام دهد.تشخیص اشیا
با استفاده از مدل MobileNet ، اشیا را از زمان واقعی خوراک دوربین شناسایی کنید.پرسش و پاسخ
با مدل MobileBERT به س questionsالات مربوط به متن داده شده پاسخ دهید.برای توسعه دهندگان تلفن همراه
اگر شما یک توسعه دهنده موبایل هستید و تجربه زیادی در زمینه یادگیری ماشین و TensorFlow ندارید ، می توانید با آموزش نحوه آموزش مدل و استقرار در یک برنامه تلفن همراه با TensorFlow Lite Model Maker شروع کنید.گلها را در Android شناسایی کنید
آموزش شروع سریع برای Android. یک مدل طبقه بندی گل را آموزش دهید و آن را در یک برنامه آندروید استفاده کنید.گلها را در iOS بشناسید
یک آموزش شروع سریع برای iOS. یک مدل طبقه بندی گل را آموزش دهید و آن را در یک برنامه iOS بکار بگیرید.برای سازندگان مدل
اگر قبلاً با TensorFlow آشنا هستید و علاقه مند به استقرار در دستگاه های edge هستید ، می توانید با آموزش زیر شروع به یادگیری نحوه تبدیل مدل TensorFlow به قالب TensorFlow Lite و بهینه سازی آن برای استنباط روی دستگاه کنید.رقم های دست نویس را تشخیص دهید
یک آموزش سریع شروع به پایان در مورد تبدیل و بهینه سازی یک مدل TensorFlow برای استنباط روی دستگاه ، سپس آن را در یک برنامه Android مستقر کنید.انتقال یادگیری برای طبقه بندی تصویر
بیاموزید که چگونه از TensorFlow Lite Model Maker برای ایجاد سریع مدل های طبقه بندی تصویر استفاده کنید.برای توسعه دهندگان اینترنت اشیا
اگر شما علاقه مند به استفاده از یک مدل TensorFlow در دستگاه های اینترنت اشیا-مبتنی بر Linux مانند Raspberry Pi هستید ، می توانید این آموزش ها را در مورد نحوه اجرای وظایف بینایی رایانه در دستگاه های اینترنت اشیاo امتحان کنید.طبقه بندی تصویر در Raspberry Pi
با استفاده از تصاویر پخش شده از دوربین Pi ، طبقه بندی تصویر را در زمان واقعی انجام دهید.تشخیص اشیا در رزبری پای
با استفاده از تصاویر پخش شده از دوربین Pi ، تشخیص اشیا-را در زمان واقعی انجام دهید.
اگر شما علاقه مند به استفاده از یک مدل TensorFlow در میکروکنترلرهایی هستید که منابع بسیار محدودتری دارند ، پس می توانید با این آموزشها شروع کار به پایان کار را از توسعه مدل TensorFlow تا تبدیل به قالب TensorFlow Lite و استقرار در میکروکنترلر با TensorFlow Lite Micro.
تشخیص کلمه کلیدی
یک مدل گفتاری کوچک که بتواند کلمات کلیدی ساده را تشخیص دهد ، آموزش دهید.تشخیص حرکت
مدلی را آموزش دهید که بتواند حرکات مختلف را با استفاده از داده های شتاب سنج تشخیص دهد.مراحل بعدی
بعد از اینکه با روند کار آموزش مدل TensorFlow ، تبدیل آن به قالب TensorFlow Lite و استفاده از آن در برنامه های تلفن همراه آشنا شدید ، می توانید با مطالب زیر درباره TensorFlow Lite اطلاعات بیشتری کسب کنید:
- آموزش های مختلف دامنه (به عنوان مثال بینایی ، گفتار) را از نوار پیمایش سمت چپ امتحان کنید. آنها به شما نشان می دهند که چگونه می توانید یک مدل را برای یک کار خاص یادگیری ماشین مانند تشخیص شی object یا تجزیه و تحلیل احساسات آموزش دهید .
- در راهنمای TensorFlow Lite درباره روند کار توسعه بیشتر بیاموزید. می توانید اطلاعات کاملی در مورد ویژگی های TensorFlow Lite مانند تبدیل مدل یا بهینه سازی مدل پیدا کنید .
- این دوره آموزش الکترونیکی رایگان را در TensorFlow Lite ببینید.
وبلاگ ها و فیلم ها
برای آخرین به روزرسانی ها در وبلاگ TensorFlow ، کانال YouTube و Twitter مشترک شوید.