Trả lời cho sự kiện TensorFlow Everywhere tại địa phương của bạn ngay hôm nay!
Trang này được dịch bởi Cloud Translation API.
Switch to English
TensorFlow Lite là một khung học sâu mã nguồn mở để chạy các mô hình TensorFlow trên thiết bị. Nếu bạn chưa quen với TensorFlow Lite, chúng tôi khuyên bạn trước tiên nên khám phá các mô hình được đào tạo trước và chạy các ứng dụng mẫu bên dưới trên một thiết bị thực để xem TensorFlow Lite có thể làm được những gì.
Phát hiện các đối tượng trong thời gian thực từ nguồn cấp dữ liệu máy ảnh với mô hình MobileNet.
Trả lời bất kỳ câu hỏi nào liên quan đến một văn bản nhất định bằng mô hình MobileBERT.
Nếu bạn là nhà phát triển thiết bị di động không có nhiều kinh nghiệm với học máy và TensorFlow, bạn có thể bắt đầu bằng cách học cách đào tạo một mô hình và triển khai ứng dụng dành cho thiết bị di động với TensorFlow Lite Model Maker.
Hướng dẫn bắt đầu nhanh dành cho Android. Đào tạo mô hình phân loại hoa và triển khai nó vào ứng dụng Android.
Hướng dẫn bắt đầu nhanh dành cho iOS. Đào tạo mô hình phân loại hoa và triển khai nó cho ứng dụng iOS.
Nếu bạn đã quen thuộc với TensorFlow và quan tâm đến việc triển khai cho các thiết bị cạnh, thì bạn có thể bắt đầu với hướng dẫn dưới đây để tìm hiểu cách chuyển đổi mô hình TensorFlow sang định dạng TensorFlow Lite và tối ưu hóa nó cho suy luận trên thiết bị.
Hướng dẫn bắt đầu nhanh từ đầu đến cuối về cách chuyển đổi và tối ưu hóa mô hình TensorFlow cho suy luận trên thiết bị, sau đó triển khai nó cho ứng dụng Android.
Tìm hiểu cách sử dụng TensorFlow Lite Model Maker để tạo nhanh các mô hình phân loại hình ảnh.
Nếu bạn quan tâm đến việc triển khai mô hình TensorFlow cho các thiết bị IoT dựa trên Linux như Raspberry Pi, thì bạn có thể thử các hướng dẫn này về cách triển khai các tác vụ thị giác máy tính trên các thiết bị IoT.
Thực hiện phân loại hình ảnh theo thời gian thực bằng cách sử dụng hình ảnh truyền trực tuyến từ Pi Camera.
Thực hiện phát hiện đối tượng trong thời gian thực bằng cách sử dụng hình ảnh truyền trực tuyến từ Pi Camera.
Nếu bạn quan tâm đến việc triển khai mô hình TensorFlow cho các bộ vi điều khiển bị hạn chế nhiều hơn về tài nguyên, thì bạn có thể bắt đầu với các hướng dẫn này để chứng minh quy trình làm việc từ đầu đến cuối từ phát triển mô hình TensorFlow đến chuyển đổi sang định dạng TensorFlow Lite và triển khai vi điều khiển với TensorFlow Lite Micro.
Đào tạo một mô hình giọng nói nhỏ có thể phát hiện các từ nóng đơn giản.
Đào tạo một mô hình có thể nhận ra các cử chỉ khác nhau bằng cách sử dụng dữ liệu gia tốc kế.

Sau khi bạn đã tự làm quen với quy trình đào tạo mô hình TensorFlow, chuyển đổi nó sang định dạng TensorFlow Lite và triển khai nó cho các ứng dụng dành cho thiết bị di động, bạn có thể tìm hiểu thêm về TensorFlow Lite với các tài liệu dưới đây:

Đăng ký blog TensorFlow , kênh YouTubeTwitter để có các bản cập nhật mới nhất.