1. Scegli il modello migliore per l'attività
A seconda dell'attività, sarà necessario trovare un compromesso tra la complessità del modello e le dimensioni. Se la tua attività richiede un'elevata precisione, potresti aver bisogno di un modello grande e complesso. Per le attività che richiedono meno precisione, è meglio utilizzare un modello più piccolo perché non solo utilizzano meno spazio su disco e memoria, ma sono anche generalmente più veloci ed efficienti dal punto di vista energetico.
2. Modelli pre-ottimizzati
Verifica se i modelli pre-ottimizzati TensorFlow Lite esistenti forniscono l'efficienza richiesta dalla tua applicazione.
3. Strumenti post-formazione
Se non puoi utilizzare un modello pre-addestrato per la tua applicazione, prova a utilizzare gli strumenti di quantizzazione post-addestramento di TensorFlow Lite durante la conversione di TensorFlow Lite , che possono ottimizzare il tuo modello TensorFlow già addestrato.
Consulta il tutorial sulla quantizzazione post-allenamento per saperne di più.
Passi successivi: strumenti per il tempo di formazione
Se le semplici soluzioni di cui sopra non soddisfano le tue esigenze, potrebbe essere necessario utilizzare tecniche di ottimizzazione del tempo di formazione. Ottimizza ulteriormente con i nostri strumenti per la formazione e approfondisci.