1. בחר את הדגם הטוב ביותר למשימה
בהתאם למשימה, תצטרך לעשות פשרה בין מורכבות המודל לגודל. אם המשימה שלך דורשת דיוק גבוה, ייתכן שתצטרך דגם גדול ומורכב. עבור משימות הדורשות פחות דיוק, עדיף להשתמש בדגם קטן יותר מכיוון שהם לא רק מצריכים פחות שטח דיסק וזיכרון, אלא שהם גם בדרך כלל מהירים יותר וחסכוניים יותר באנרגיה.
2. מודלים מותאמים מראש
בדוק אם דגמים קיימים של TensorFlow Lite מותאמים מראש מספקים את היעילות הנדרשת על ידי היישום שלך.
3. כלי עבודה לאחר אימון
אם אינך יכול להשתמש במודל מיומן מראש עבור היישום שלך, נסה להשתמש בכלי קוונטיזציה לאחר אימון של TensorFlow Lite במהלך המרה של TensorFlow Lite , שיכולים לייעל את מודל ה- TensorFlow שכבר עבר הכשרה שלך.
עיין במדריך הקוונטיזציה שלאחר ההדרכה למידע נוסף.
השלבים הבאים: כלי עבודה בזמן הדרכה
אם הפתרונות הפשוטים שלעיל אינם מספקים את הצרכים שלך, ייתכן שיהיה עליך לערב טכניקות אופטימיזציה בזמן האימון. בצע אופטימיזציה נוספת עם הכלים שלנו בזמן האימון וחפור לעומק.