День сообщества ML - 9 ноября! Присоединяйтесь к нам для обновления от TensorFlow, JAX, и многое другое Подробнее

Начните с оптимизации модели TensorFlow

1. Выберите лучшую модель для задачи

В зависимости от задачи вам нужно будет найти компромисс между сложностью модели и размером. Если ваша задача требует высокой точности, то вам может потребоваться большая и сложная модель. Для задач, требующих меньшей точности, лучше использовать меньшую модель, потому что они не только используют меньше дискового пространства и памяти, но также, как правило, быстрее и более энергоэффективны.

2. Предварительно оптимизированные модели

Посмотрите, обеспечивают ли существующие предварительно оптимизированные модели TensorFlow Lite эффективность, требуемую вашим приложением.

3. Инструменты после обучения

Если вы не можете использовать предварительно обученную модель для своего приложения, попробуйте использовать инструменты квантования TensorFlow Lite после обучения во время преобразования TensorFlow Lite , которые могут оптимизировать вашу уже обученную модель TensorFlow.

См. Учебник по квантованию после обучения, чтобы узнать больше.

Следующие шаги: инструменты для обучения

Если приведенные выше простые решения не удовлетворяют ваши потребности, возможно, вам придется задействовать методы оптимизации времени обучения. Оптимизируйте дальше с помощью наших инструментов для обучения и копайте глубже.