1. بهترین مدل را برای کار انتخاب کنید
بسته به کار، باید بین پیچیدگی و اندازه مدل یک معاوضه ایجاد کنید. اگر کار شما به دقت بالایی نیاز دارد، ممکن است به یک مدل بزرگ و پیچیده نیاز داشته باشید. برای کارهایی که نیاز به دقت کمتری دارند، بهتر است از مدل کوچکتری استفاده کنید زیرا نه تنها از فضای دیسک و حافظه کمتری استفاده می کنند، بلکه به طور کلی سریعتر و مصرف انرژی بیشتری دارند.
2. مدل های از پیش بهینه شده
ببینید آیا مدل‌های از پیش بهینه‌شده TensorFlow Lite کارایی مورد نیاز برنامه شما را ارائه می‌کنند یا خیر.
3. ابزار پس از آموزش
اگر نمی‌توانید از یک مدل از پیش آموزش‌دیده‌شده برای برنامه‌تان استفاده کنید، از ابزارهای کمی‌سازی پس از آموزش TensorFlow Lite در طول تبدیل TensorFlow Lite استفاده کنید، که می‌تواند مدل TensorFlow را که قبلاً آموزش دیده‌اید بهینه کند.
برای کسب اطلاعات بیشتر به آموزش کوانتیزاسیون پس از آموزش مراجعه کنید.
مراحل بعدی: ابزارسازی زمان آموزش
اگر راه‌حل‌های ساده بالا نیازهای شما را برآورده نمی‌کنند، ممکن است نیاز به استفاده از تکنیک‌های بهینه‌سازی زمان آموزش داشته باشید. با ابزارهای زمان آموزش ما بیشتر بهینه شوید و عمیق‌تر شوید.