1. اختر النموذج الأفضل للمهمة
اعتمادًا على المهمة، ستحتاج إلى إجراء مقايضة بين تعقيد النموذج وحجمه. إذا كانت مهمتك تتطلب دقة عالية، فقد تحتاج إلى نموذج كبير ومعقد. بالنسبة للمهام التي تتطلب دقة أقل، فمن الأفضل استخدام نموذج أصغر لأنها لا تستخدم مساحة أقل على القرص والذاكرة فحسب، ولكنها أيضًا أسرع بشكل عام وأكثر كفاءة في استخدام الطاقة.
2. النماذج المحسنة مسبقًا
تعرف على ما إذا كانت أي نماذج TensorFlow Lite 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 TensorFlow Lite بعد التدريب أثناء تحويل TensorFlow Lite ، والتي يمكنها تحسين نموذج TensorFlow المدرب بالفعل.
راجع البرنامج التعليمي للتكميم بعد التدريب لمعرفة المزيد.
الخطوات التالية: أدوات وقت التدريب
إذا كانت الحلول البسيطة المذكورة أعلاه لا تلبي احتياجاتك، فقد تحتاج إلى استخدام تقنيات تحسين وقت التدريب. قم بالتحسين بشكل أكبر باستخدام أدوات وقت التدريب لدينا وتعمق أكثر.