1. Görev için en iyi modeli seçin
Göreve bağlı olarak, model karmaşıklığı ve boyutu arasında bir ödünleşme yapmanız gerekecektir. Göreviniz yüksek doğruluk gerektiriyorsa, büyük ve karmaşık bir modele ihtiyacınız olabilir. Daha az hassasiyet gerektiren görevler için daha küçük bir model kullanmak daha iyidir, çünkü yalnızca daha az disk alanı ve bellek kullanmakla kalmazlar, aynı zamanda genellikle daha hızlıdırlar ve enerji açısından daha verimlidirler.
2. Önceden optimize edilmiş modeller
Önceden optimize edilmiş mevcut TensorFlow Lite modellerinden herhangi birinin uygulamanızın gerektirdiği verimliliği sağlayıp sağlamadığını görün.
3. Eğitim sonrası takımlar
Uygulamanız için önceden eğitilmiş bir model kullanamıyorsanız, TensorFlow Lite dönüşümü sırasında TensorFlow Lite eğitim sonrası niceleme araçlarını kullanmayı deneyin; bu, zaten eğitilmiş TensorFlow modelinizi optimize edebilir.
Daha fazla bilgi için eğitim sonrası kuantizasyon eğitimine bakın.
Sonraki adımlar: Eğitim zamanı araçları
Yukarıdaki basit çözümler ihtiyaçlarınızı karşılamıyorsa, eğitim zamanı optimizasyon tekniklerini dahil etmeniz gerekebilir. Eğitim zamanı araçlarımızla daha da optimize edin ve daha derine inin.