TensorFlow Lite sử dụng các mô hình TensorFlow được chuyển đổi thành định dạng mô hình học máy (ML) nhỏ hơn, hiệu quả hơn. Bạn có thể sử dụng các mô hình được đào tạo trước với TensorFlow Lite, sửa đổi các mô hình hiện có hoặc xây dựng các mô hình TensorFlow của riêng bạn và sau đó chuyển đổi chúng sang định dạng TensorFlow Lite. Mô hình TensorFlow Lite có thể thực hiện hầu hết mọi tác vụ mà mô hình TensorFlow thông thường có thể làm: phát hiện đối tượng, xử lý ngôn ngữ tự nhiên, nhận dạng mẫu, v.v. bằng cách sử dụng nhiều loại dữ liệu đầu vào bao gồm hình ảnh, video, âm thanh và văn bản.

Chuyển đến phần Chuyển đổi để biết thông tin về cách chạy mô hình của bạn với TensorFlow Lite.
Để có hướng dẫn về cách lấy các mô hình cho trường hợp sử dụng của bạn, hãy tiếp tục đọc .

Bạn không cần phải xây dựng mô hình TensorFlow Lite để bắt đầu sử dụng máy học trên thiết bị di động hoặc thiết bị cạnh. Nhiều mô hình đã được xây dựng và tối ưu hóa có sẵn để bạn sử dụng ngay trong ứng dụng của mình. Bạn có thể bắt đầu bằng việc sử dụng các mô hình được đào tạo trước trong TensorFlow Lite và chuyển sang xây dựng các mô hình tùy chỉnh theo thời gian, như sau:

  1. Bắt đầu phát triển các tính năng học máy với các mô hình đã được đào tạo.
  2. Sửa đổi các mô hình TensorFlow Lite hiện có bằng cách sử dụng các công cụ như Trình tạo mô hình .
  3. Xây dựng mô hình tùy chỉnh bằng các công cụ TensorFlow và sau đó chuyển đổi nó thành TensorFlow Lite.

Nếu bạn đang cố gắng triển khai nhanh các tính năng hoặc tác vụ tiện ích bằng máy học, bạn nên xem lại các trường hợp sử dụng được ML Kit hỗ trợ trước khi bắt đầu phát triển với TensorFlow Lite. Công cụ phát triển này cung cấp các API mà bạn có thể gọi trực tiếp từ các ứng dụng dành cho thiết bị di động để hoàn thành các tác vụ ML phổ biến như quét mã vạch và dịch trên thiết bị. Sử dụng phương pháp này có thể giúp bạn đạt được kết quả nhanh chóng. Tuy nhiên, ML Kit có các tùy chọn hạn chế để mở rộng khả năng của nó. Để biết thêm thông tin, hãy xem tài liệu dành cho nhà phát triển ML Kit .


Nếu việc xây dựng mô hình tùy chỉnh cho trường hợp sử dụng cụ thể là mục tiêu cuối cùng của bạn, bạn nên bắt đầu bằng việc phát triển và đào tạo mô hình TensorFlow hoặc mở rộng mô hình hiện có. Trước khi bắt đầu quá trình phát triển mô hình của mình, bạn nên biết các ràng buộc đối với các mô hình TensorFlow Lite và xây dựng mô hình của bạn với những ràng buộc sau:

  • Khả năng tính toán hạn chế - So với các máy chủ được trang bị đầy đủ với nhiều CPU, dung lượng bộ nhớ cao và bộ xử lý chuyên dụng như GPU và TPU, các thiết bị di động và thiết bị cạnh bị hạn chế hơn nhiều, đồng thời các mô hình và dữ liệu bạn có thể xử lý hiệu quả với chúng cũng bị hạn chế.
  • Kích thước của mô hình - Độ phức tạp tổng thể của mô hình, bao gồm logic xử lý trước dữ liệu và số lớp trong mô hình, làm tăng kích thước trong bộ nhớ của mô hình. Một mô hình lớn có thể chạy chậm đến mức không thể chấp nhận được hoặc đơn giản là có thể không vừa với bộ nhớ khả dụng của thiết bị di động hoặc thiết bị cạnh.
  • Kích thước của dữ liệu - Kích thước của dữ liệu đầu vào có thể được xử lý hiệu quả bằng mô hình học máy bị giới hạn trên thiết bị di động hoặc thiết bị cạnh. Các mô hình sử dụng thư viện dữ liệu lớn như thư viện ngôn ngữ, thư viện hình ảnh hoặc thư viện video clip có thể không phù hợp trên các thiết bị này và có thể yêu cầu các giải pháp truy cập và lưu trữ ngoài thiết bị.
  • Các hoạt động TensorFlow được hỗ trợ - Môi trường thời gian chạy TensorFlow Lite hỗ trợ một số lượng nhỏ hơn các hoạt động của mô hình học máy so với các mô hình TensorFlow thông thường. Khi bạn phát triển một mô hình để sử dụng với TensorFlow Lite, bạn nên theo dõi khả năng tương thích của mô hình của mình với khả năng của môi trường thời gian chạy TensorFlow Lite.

Để biết thêm thông tin về việc xây dựng các mô hình hiệu quả, tương thích, hiệu suất cao cho TensorFlow Lite, hãy xem Các phương pháp hay nhất về hiệu suất.

Tìm hiểu cách chọn mô hình ML được đào tạo trước để sử dụng với TensorFlow Lite.
Sử dụng TensorFlow Lite Model Maker để sửa đổi các mô hình bằng cách sử dụng dữ liệu đào tạo của bạn.
Tìm hiểu cách tạo mô hình TensorFlow tùy chỉnh để sử dụng với TensorFlow Lite.