开始使用

TensorFlow Lite 是一种在设备端运行 TensorFlow 模型的开源深度学习框架。如果您不熟悉 TensorFlow Lite，我们建议您首先了解预训练模型，然后在真实设备上运行以下示例应用，了解 TensorFlow Lite 的功能。
使用 MobileNet 模型通过相机信息流实时检测对象。
使用 MobileBERT 模型回答与给定文本相关的任何问题。

面向移动开发者

如果您是一位在机器学习和 TensorFlow 方面没有太多经验的移动开发者，可以先学习如何训练模型并使用 TensorFlow Lite Model Maker 将模型部署到移动应用中。
Android 快速入门教程。训练鲜花分类模型并将其部署到 Android 应用中。
iOS 快速入门教程。训练鲜花分类模型并将其部署到 iOS 应用。

面向模型创建者

如果您已经熟悉 TensorFlow 并且希望将模型部署到边缘设备，那么可以从以下教程开始，了解如何将 TensorFlow 模型转换为 TensorFlow Lite 格式，并针对设备端推断进行优化。
这是一个快速入门端到端教程，介绍了如何转换和优化用于设备端推断的 TensorFlow 模型，然后将其部署到 Android 应用。
了解如何使用 TensorFlow Lite Model Maker 快速创建图像分类模型。

面向 IoT 开发者

如果您有兴趣将 TensorFlow 模型部署到基于 Linux 的 IoT 设备（例如 Raspberry Pi），可以参考这些有关如何在 IoT 设备上实现计算机视觉任务的教程。
使用从 Pi Camera 流式传输的图像执行实时图像分类。
使用从 Pi Camera 流式传输的图像执行实时对象检测。
如果您想将 TensorFlow 模型部署到资源非常有限的微控制器，可以从这些教程开始，其中演示了从开发 TensorFlow 模型到转换为 TensorFlow Lite 格式，以及使用 TensorFlow Lite Micro 部署到微控制器的端到端工作流程。
训练可以检测简单启动指令的超小语音模型。
训练一个能够根据加速度计数据识别不同手势的模型。

后续学习计划

在熟悉训练 TensorFlow 模型、将模型转换为 TensorFlow Lite 格式以及将模型部署到移动应用的工作流程后，您可以通过以下资料进一步了解 TensorFlow Lite：

  • 您可以在左侧导航栏中选择不同领域（例如视觉、语音）的教程，了解如何针对特定机器学习任务训练模型，例如对象检测或情感分析。
  • 如需详细了解开发工作流程，请参阅 TensorFlow Lite 指南，深入了解 TensorFlow Lite 功能，例如模型转换和模型优化。
  • 您还可以查看这门免费的 TensorFlow Lite 电子学习课程。

博客和视频

欢迎订阅 TensorFlow 博客、YouTube 频道并在 Twitter 上关注我们，了解最新动态。