TensorFlow Lite 指南

TensorFlow Lite
TensorFlow Lite 指南

TensorFlow Lite 是一组工具，可帮助开发者在移动设备、嵌入式设备和 IoT 设备上运行 TensorFlow 模型。它支持设备端机器学习推断，延迟较低，并且二进制文件很小。

TensorFlow Lite 包括两个主要组件：解释器用来
转换器是模型的格式转换，优化，提高性能，减小模型大小

TensorFlow Lite 解释器，它可在手机、嵌入式 Linux 设备和微控制器等很多不同类型的硬件上运行经过专门优化的模型。
TensorFlow Lite 转换器，它可将 TensorFlow 模型转换为方便解释器使用的格式，并可引入优化以减小二进制文件的大小和提高性能。

边缘机器学习

TensorFlow Lite 旨在让您轻松地在网络“边缘”的设备上执行机器学习，而无需在设备与服务器之间来回发送数据。对开发者来说，在设备端执行机器学习有助于：

1. 缩短延迟：数据无需往返服务器
2. 保护隐私：任何数据都不会离开设备
3. 减少连接：不需要互联网连接
4. 降低功耗：网络连接非常耗电

TensorFlow Lite 支持各种设备，从超小的微控制器到功能强大的手机，不一而足。

要点：

当所有 125 多个受支持的运算符均建立关联后，TensorFlow Lite 二进制文件的大小约为 1 MB（针对 32 位 ARM build）；如果仅使用支持常见图像分类模型（InceptionV3 和 MobileNet）所需的运算符，TensorFlow Lite 二进制文件的大小不到 300 KB。

使用入门

如需开始在移动设备上使用 TensorFlow Lite，请访问使用入门。如果您要将 TensorFlow Lite 模型部署到微控制器，请访问微控制器。

主要特性

预训练模型，适用于可根据您的应用自定义的常见机器学习任务。

开发工作流程

使用 TensorFlow Lite 的工作流包括如下步骤：

1. 选择模型
   您可以使用自己的 TensorFlow 模型、在线查找模型，或者从我们的预训练模型中选择一个模型直接使用或重新训练。

2. 转换模型
   如果您使用的是自定义模型，请使用 TensorFlow Lite 转换器将模型转换为 TensorFlow Lite 格式，只需几行 Python 代码就能搞定。

3. 部署到您的设备：请使用TensorFlow Lite 解释器（提供多种语言的 API）在设备端运行您的模型。

4. 优化您的模型
   请使用我们的模型优化工具包缩减模型的大小并提高其效率，同时最大限度地降低对准确率的影响。

如需详细了解如何在项目中使用 TensorFlow Lite，请参阅使用入门

后续步骤

想继续了解 TensorFlow Lite 吗？下面是一些后续步骤：

1. 访问使用入门，了解 TensorFlow Lite 使用流程的分步介绍。
2. 如果您是移动开发者，请访问 Android 快速入门或 iOS 快速入门。
3. 了解适用于微控制器的 TensorFlow Lite。
4. 浏览我们的预训练模型，和下面的示例是一个网址
5. 试试我们的示例应用。