1. Pilih model terbaik untuk tugas itu
Bergantung pada tugasnya, Anda perlu membuat tradeoff antara kompleksitas model dan ukuran. Jika tugas Anda membutuhkan akurasi tinggi, maka Anda mungkin memerlukan model yang besar dan kompleks. Untuk tugas-tugas yang membutuhkan lebih sedikit presisi, lebih baik menggunakan model yang lebih kecil karena tidak hanya menggunakan lebih sedikit ruang disk dan memori, tetapi juga umumnya lebih cepat dan lebih hemat energi.
2. Model yang telah dioptimalkan sebelumnya
Lihat apakah model TensorFlow Lite yang telah dioptimalkan sebelumnya memberikan efisiensi yang dibutuhkan oleh aplikasi Anda.
3. Perkakas pasca-pelatihan
Jika Anda tidak dapat menggunakan model terlatih untuk aplikasi Anda, coba gunakan alat kuantisasi pasca pelatihan TensorFlow Lite selama konversi TensorFlow Lite , yang dapat mengoptimalkan model TensorFlow Anda yang sudah terlatih.
Lihat tutorial kuantisasi pasca pelatihan untuk mempelajari lebih lanjut.
Langkah selanjutnya: Perkakas waktu pelatihan
Jika solusi sederhana di atas tidak memenuhi kebutuhan Anda, Anda mungkin perlu melibatkan teknik pengoptimalan waktu pelatihan. Optimalkan lebih lanjut dengan alat waktu pelatihan kami dan gali lebih dalam.