1. เลือกรุ่นที่ดีที่สุดสำหรับงาน
คุณจะต้องทำการแลกเปลี่ยนระหว่างความซับซ้อนและขนาดของแบบจำลอง ทั้งนี้ขึ้นอยู่กับงาน หากงานของคุณต้องการความแม่นยำสูง คุณอาจต้องใช้แบบจำลองที่ใหญ่และซับซ้อน สำหรับงานที่ต้องการความแม่นยำน้อยกว่า ควรใช้รุ่นที่เล็กกว่าเพราะไม่เพียงใช้พื้นที่ดิสก์และหน่วยความจำน้อยลงเท่านั้น แต่ยังเร็วกว่าและประหยัดพลังงานอีกด้วย
2. โมเดลที่ปรับให้เหมาะสมล่วงหน้า
ดูว่า โมเดลที่ปรับให้เหมาะสมล่วงหน้าของ TensorFlow Lite ที่มีอยู่นั้นมีประสิทธิภาพตามที่แอปพลิเคชันของคุณต้องการหรือไม่
3. เครื่องมือหลังการฝึก
หากคุณไม่สามารถใช้โมเดลที่ผ่านการฝึกอบรมล่วงหน้าสำหรับแอปพลิเคชันของคุณ ให้ลองใช้ เครื่องมือวัดปริมาณหลังการฝึก TensorFlow Lite ระหว่างการแปลง TensorFlow Lite ซึ่งสามารถเพิ่มประสิทธิภาพโมเดล TensorFlow ที่ได้รับการฝึกมาแล้วของคุณ
ดู บทแนะนำการวัดปริมาณหลังการฝึกอบรม เพื่อเรียนรู้เพิ่มเติม
ขั้นตอนถัดไป: เครื่องมือเวลาฝึก
หากวิธีแก้ปัญหาง่ายๆ ข้างต้นไม่ตรงกับความต้องการของคุณ คุณอาจต้องใช้เทคนิคการเพิ่มประสิทธิภาพเวลาฝึกอบรม เพิ่มประสิทธิภาพเพิ่มเติม ด้วยเครื่องมือเวลาฝึกอบรมของเราและเจาะลึกลงไป