TensorFlow Lite เป็นเฟรมเวิร์กการเรียนรู้เชิงลึกแบบโอเพนซอร์สเพื่อเรียกใช้โมเดล TensorFlow บนอุปกรณ์ หากคุณยังใหม่กับ TensorFlow Lite เราขอแนะนำให้คุณสำรวจ โมเดลที่ได้รับการฝึกฝนมาก่อน และเรียกใช้แอปตัวอย่างด้านล่างบนอุปกรณ์จริงเพื่อดูว่า TensorFlow Lite สามารถทำอะไรได้บ้าง
ตรวจจับวัตถุแบบเรียลไทม์จากฟีดกล้องด้วยโมเดล MobileNet
ระบุว่าเสียงหมายถึงอะไรเช่นการปรบมือหรือการพิมพ์
หากคุณเป็นนักพัฒนาอุปกรณ์เคลื่อนที่ที่ไม่มีประสบการณ์เกี่ยวกับแมชชีนเลิร์นนิงและ TensorFlow มากนักคุณสามารถเริ่มต้นด้วยการเรียนรู้วิธีฝึกโมเดลและปรับใช้กับแอพมือถือด้วย TensorFlow Lite Model Maker
บทช่วยสอนเริ่มต้นอย่างรวดเร็วสำหรับ Android ฝึกโมเดลการจำแนกดอกไม้และปรับใช้กับแอปพลิเคชัน Android
บทช่วยสอนเริ่มต้นอย่างรวดเร็วสำหรับ iOS ฝึกโมเดลการจำแนกดอกไม้และปรับใช้กับแอปพลิเคชัน iOS
หากคุณคุ้นเคยกับ TensorFlow แล้วและสนใจที่จะปรับใช้กับอุปกรณ์ edge คุณสามารถเริ่มต้นด้วยบทช่วยสอนด้านล่างเพื่อเรียนรู้วิธีการแปลงโมเดล TensorFlow เป็นรูปแบบ TensorFlow Lite และปรับให้เหมาะสมสำหรับการอนุมานบนอุปกรณ์
บทช่วยสอนแบบ end-to-end เริ่มต้นอย่างรวดเร็วเกี่ยวกับการแปลงและเพิ่มประสิทธิภาพโมเดล TensorFlow สำหรับการอนุมานบนอุปกรณ์จากนั้นปรับใช้กับแอป Android
เรียนรู้วิธีใช้ TensorFlow Lite Model Maker เพื่อสร้างโมเดลการจัดประเภทรูปภาพอย่างรวดเร็ว
หากคุณสนใจที่จะปรับใช้โมเดล TensorFlow กับอุปกรณ์ IoT ที่ใช้ Linux เช่น Raspberry Pi คุณสามารถลองใช้บทช่วยสอนเหล่านี้เกี่ยวกับวิธีใช้งานการมองเห็นคอมพิวเตอร์บนอุปกรณ์ IoT
ทำการจำแนกภาพแบบเรียลไทม์โดยใช้ภาพที่สตรีมจากกล้อง Pi
ทำการตรวจจับวัตถุแบบเรียลไทม์โดยใช้ภาพที่สตรีมจากกล้อง Pi
หากคุณสนใจที่จะปรับใช้โมเดล TensorFlow กับไมโครคอนโทรลเลอร์ซึ่งมีทรัพยากร จำกัด มากขึ้นคุณสามารถเริ่มต้นด้วยบทช่วยสอนเหล่านี้ที่สาธิตขั้นตอนการทำงานแบบ end-to-end ตั้งแต่การพัฒนาแบบจำลอง TensorFlow ไปจนถึงการแปลงเป็นรูปแบบ TensorFlow Lite และปรับใช้กับ a ไมโครคอนโทรลเลอร์พร้อม TensorFlow Lite Micro
ฝึกรูปแบบการพูดขนาดเล็กที่สามารถตรวจจับคำสำคัญง่ายๆ
ฝึกโมเดลที่สามารถจดจำท่าทางต่างๆโดยใช้ข้อมูลมาตรความเร่ง

หลังจากที่คุณทำความคุ้นเคยกับขั้นตอนการฝึกอบรมโมเดล TensorFlow แปลงเป็นรูปแบบ TensorFlow Lite และปรับใช้กับแอปบนอุปกรณ์เคลื่อนที่แล้วคุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับ TensorFlow Lite ได้จากเอกสารด้านล่าง:

สมัครสมาชิก บล็อก TensorFlow , ช่อง YouTube และ Twitter สำหรับการอัปเดตล่าสุด