1. Chọn mô hình tốt nhất cho nhiệm vụ
Tùy thuộc vào nhiệm vụ, bạn sẽ cần phải cân bằng giữa độ phức tạp và kích thước của mô hình. Nếu nhiệm vụ của bạn yêu cầu độ chính xác cao, thì bạn có thể cần một mô hình lớn và phức tạp. Đối với các tác vụ yêu cầu độ chính xác thấp hơn, tốt hơn nên sử dụng kiểu máy nhỏ hơn vì chúng không chỉ sử dụng ít dung lượng ổ đĩa và bộ nhớ hơn mà còn nhanh hơn và tiết kiệm năng lượng hơn.
2. Các mô hình được tối ưu hóa trước
Xem liệu có bất kỳ mô hình nào được tối ưu hóa trước TensorFlow Lite hiện có mang lại hiệu quả mà ứng dụng của bạn yêu cầu hay không.
3. Dụng cụ sau đào tạo
Nếu bạn không thể sử dụng mô hình được đào tạo trước cho ứng dụng của mình, hãy thử sử dụng các công cụ lượng tử hóa sau đào tạo của TensorFlow Lite trong quá trình chuyển đổi TensorFlow Lite , công cụ này có thể tối ưu hóa mô hình TensorFlow đã được đào tạo của bạn.
Xem hướng dẫn lượng tử hóa sau đào tạo để tìm hiểu thêm.
Các bước tiếp theo: Công cụ thời gian đào tạo
Nếu các giải pháp đơn giản ở trên không đáp ứng nhu cầu của bạn, bạn có thể cần phải áp dụng các kỹ thuật tối ưu hóa thời gian đào tạo. Tối ưu hóa hơn nữa với các công cụ thời gian đào tạo của chúng tôi và tìm hiểu sâu hơn.