1. Görev için en iyi modeli seçin
Göreve bağlı olarak modelin karmaşıklığı ile boyutu arasında bir denge kurmanız gerekecektir. Göreviniz yüksek doğruluk gerektiriyorsa büyük ve karmaşık bir modele ihtiyacınız olabilir. Daha az hassasiyet gerektiren görevler için, daha küçük bir model kullanmak daha iyidir çünkü bunlar yalnızca daha az disk alanı ve bellek kullanmakla kalmaz, aynı zamanda genel olarak daha hızlıdır ve enerji açısından daha verimlidir.
2. Önceden optimize edilmiş modeller
Mevcut TensorFlow Lite önceden optimize edilmiş modellerden herhangi birinin uygulamanızın gerektirdiği verimliliği sağlayıp sağlamadığını görün.
3. Eğitim sonrası araçlar
Uygulamanız için önceden eğitilmiş bir model kullanamıyorsanız, TensorFlow Lite dönüşümü sırasında önceden eğitilmiş TensorFlow modelinizi optimize edebilecek TensorFlow Lite eğitim sonrası niceleme araçlarını kullanmayı deneyin.
Daha fazla bilgi edinmek için eğitim sonrası kuantizasyon eğitimine bakın.
Sonraki adımlar: Eğitim zamanı araçları
Yukarıdaki basit çözümler ihtiyaçlarınızı karşılamıyorsa eğitim süresi optimizasyon tekniklerini dahil etmeniz gerekebilir. Eğitim süresi araçlarımızla daha da optimize edin ve daha derine inin.