इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

TensorFlow Lite गाइड

TensorFlow Lite डेवलपर्स को मोबाइल, एम्बेडेड और IoT उपकरणों पर TensorFlow मॉडल चलाने में मदद करने के लिए उपकरणों का एक सेट है। यह कम विलंबता और एक छोटे बाइनरी आकार के साथ ऑन-डिवाइस मशीन सीखने में सक्षम बनाता है।

TensorFlow Lite में दो मुख्य घटक होते हैं:

  • TensorFlow Lite दुभाषिया , जो कई अलग-अलग हार्डवेयर प्रकारों पर विशेष रूप से अनुकूलित मॉडल चलाता है, जिसमें मोबाइल फोन, एम्बेडेड लिनक्स डिवाइस और माइक्रोकंट्रोलर शामिल हैं।
  • TensorFlow Lite कनवर्टर , जो दुभाषिया द्वारा उपयोग के लिए TensorFlow मॉडल को एक कुशल रूप में परिवर्तित करता है, और बाइनरी आकार और प्रदर्शन में सुधार के लिए अनुकूलन का परिचय दे सकता है।

मशीन सीखने के किनारे पर

TensorFlow Lite को एक सर्वर से डेटा को आगे और पीछे भेजने के बजाय, नेटवर्क पर "किनारे पर" मशीन सीखने को आसान बनाने के लिए डिज़ाइन किया गया है। डेवलपर्स के लिए, डिवाइस पर मशीन सीखने का प्रदर्शन बेहतर बनाने में मदद कर सकता है:

  • विलंबता: सर्वर पर कोई गोल-चक्कर नहीं है
  • गोपनीयता: डिवाइस को छोड़ने के लिए किसी डेटा की आवश्यकता नहीं है
  • कनेक्टिविटी: इंटरनेट कनेक्शन की आवश्यकता नहीं है
  • बिजली की खपत: नेटवर्क कनेक्शन बिजली की भूख है

TensorFlow Lite छोटे माइक्रोकंट्रोलर से लेकर शक्तिशाली मोबाइल फोन तक, उपकरणों की एक विशाल श्रृंखला के साथ काम करता है।

शुरू हो जाओ

मोबाइल उपकरणों पर TensorFlow लाइट के साथ काम शुरू करने के लिए, यात्रा शुरू करें । यदि आप TensorFlow Lite मॉडल को माइक्रोकंट्रोलर पर तैनात करना चाहते हैं, तो Microcontrollers पर जाएं।

प्रमुख विशेषताऐं

  • दुभाषिया ऑन-डिवाइस एमएल के लिए तैयार है , जो कोर ऑपरेटरों के एक सेट का समर्थन करता है जो ऑन-डिवाइस अनुप्रयोगों के लिए अनुकूलित हैं, और एक छोटे बाइनरी आकार के साथ।
  • एंड्रॉइड और आईओएस डिवाइस, एम्बेडेड लिनक्स, और माइक्रोकंट्रोलर्स को कवर करते हुए विविध प्लेटफॉर्म सपोर्ट , त्वरित अनुमान के लिए प्लेटफॉर्म एपीआई का उपयोग करते हैं।
  • जावा, स्विफ्ट, ऑब्जेक्टिव-सी, सी ++ और पायथन सहित कई भाषाओं के लिए एपीआई
  • उच्च प्रदर्शन , समर्थित उपकरणों पर हार्डवेयर त्वरण , उपकरण-अनुकूलित गुठली, और पूर्व-जुड़े सक्रियण और पूर्वाग्रह
  • मॉडल अनुकूलन उपकरण , जिसमें परिमाणीकरण शामिल है , जो सटीकता को बलिदान किए बिना आकार और मॉडलों के प्रदर्शन को कम कर सकता है।
  • एक फ्लैट मॉडल का उपयोग करके कुशल मॉडल प्रारूप , जो छोटे आकार और पोर्टेबिलिटी के लिए अनुकूलित है।
  • सामान्य मशीन लर्निंग कार्यों के लिए पूर्व-प्रशिक्षित मॉडल जो आपके आवेदन के लिए अनुकूलित किए जा सकते हैं।
  • नमूने और ट्यूटोरियल जो आपको दिखाते हैं कि समर्थित प्लेटफॉर्म पर मशीन लर्निंग मॉडल को कैसे तैनात किया जाए।

विकास संबंधी कार्य

TensorFlow Lite का उपयोग करने के लिए वर्कफ़्लो में निम्नलिखित चरण शामिल हैं:

  1. एक मॉडल चुनें

    अपना खुद का TensorFlow मॉडल लाएं, एक मॉडल ऑनलाइन ढूंढें, या हमारे पूर्व-प्रशिक्षित मॉडल से एक मॉडल चुनें या छोड़ दें।

  2. मॉडल परिवर्तित करें

    यदि आप एक कस्टम मॉडल का उपयोग कर रहे हैं, तो TensorFlow Lite कनवर्टर और इसे TensorFlow Lite प्रारूप में बदलने के लिए पायथन की कुछ पंक्तियों का उपयोग करें।

  3. अपने डिवाइस पर निर्भर करें

    TensorFlow Lite दुभाषिया के साथ कई भाषाओं में एपीआई के साथ अपने मॉडल को चालू करें।

  4. अपने मॉडल का अनुकूलन करें

    अपने मॉडल के आकार को कम करने और सटीकता पर न्यूनतम प्रभाव के साथ इसकी दक्षता बढ़ाने के लिए हमारे मॉडल अनुकूलन टूलकिट का उपयोग करें।

अपने प्रोजेक्ट में TensorFlow Lite का उपयोग करने के बारे में अधिक जानने के लिए, आरंभ करें देखें।

तकनीकी बाधाओं

TensorFlow Lite की योजना किसी भी TensorFlow मॉडल के लिए डिवाइस पर उच्च प्रदर्शन प्रदान करने की है। हालाँकि, TensorFlow Lite दुभाषिया वर्तमान में TensorFlow ऑपरेटरों के सीमित उपसमूह का समर्थन करता है जिन्हें ऑन-डिवाइस उपयोग के लिए अनुकूलित किया गया है। इसका मतलब है कि कुछ मॉडल को TensorFlow Lite के साथ काम करने के लिए अतिरिक्त चरणों की आवश्यकता होती है।

यह जानने के लिए कि कौन से ऑपरेटर उपलब्ध हैं, ऑपरेटर की अनुकूलता देखें।

यदि आपका मॉडल उन ऑपरेटरों का उपयोग करता है जो अभी तक TensorFlow Lite दुभाषिया द्वारा समर्थित नहीं हैं, तो आप अपने TensorFlow Lite के निर्माण में TensorFlow संचालन को शामिल करने के लिए TensorFlow Select का उपयोग कर सकते हैं। हालांकि, यह एक वृद्धि हुई बाइनरी आकार को जन्म देगा।

TensorFlow Lite वर्तमान में ऑन-डिवाइस प्रशिक्षण का समर्थन नहीं करता है, लेकिन यह हमारे रोडमैप में अन्य योजनाबद्ध सुधारों के साथ है।

अगला कदम

TensorFlow Lite के बारे में सीखते रहना चाहते हैं? यहाँ कुछ अगले चरण हैं: