1. اختر أفضل نموذج للمهمة
اعتمادًا على المهمة ، ستحتاج إلى إجراء مفاضلة بين تعقيد النموذج وحجمه. إذا كانت مهمتك تتطلب دقة عالية ، فقد تحتاج إلى نموذج كبير ومعقد. بالنسبة للمهام التي تتطلب دقة أقل ، من الأفضل استخدام نموذج أصغر لأنها لا تستخدم فقط مساحة قرص وذاكرة أقل ، ولكنها أيضًا أسرع بشكل عام وأكثر كفاءة في استخدام الطاقة.
2. النماذج المحسّنة مسبقًا
تعرف على ما إذا كانت أي من نماذج TensorFlow Lite الحالية المحسنة مسبقًا توفر الكفاءة التي يتطلبها تطبيقك.
3. أدوات ما بعد التدريب
إذا لم تتمكن من استخدام نموذج تم تدريبه مسبقًا لتطبيقك ، فحاول استخدام أدوات تكميم ما بعد التدريب TensorFlow Lite أثناء تحويل TensorFlow Lite ، والتي يمكنها تحسين نموذج TensorFlow الذي تم تدريبه بالفعل.
انظر إلى دروس التكميم بعد التدريب لمعرفة المزيد.
الخطوات التالية: أدوات وقت التدريب
إذا كانت الحلول البسيطة المذكورة أعلاه لا تلبي احتياجاتك ، فقد تحتاج إلى تضمين تقنيات تحسين وقت التدريب. قم بالتحسين بشكل أكبر باستخدام أدوات وقت التدريب الخاصة بنا وحفر بشكل أعمق.