Начните с оптимизации модели TensorFlow

1. Выберите лучшую модель для задачи

В зависимости от задачи вам нужно будет найти компромисс между сложностью модели и ее размером. Если ваша задача требует высокой точности, то вам может понадобиться большая и сложная модель. Для задач, требующих меньшей точности, лучше использовать модель меньшего размера, потому что они не только занимают меньше места на диске и памяти, но и, как правило, быстрее и энергоэффективнее.

2. Предварительно оптимизированные модели

Посмотрите, обеспечивают ли существующие предварительно оптимизированные модели TensorFlow Lite эффективность, требуемую вашим приложением.

3. Инструменты после обучения

Если вы не можете использовать предварительно обученную модель для своего приложения, попробуйте использовать инструменты квантования после обучения TensorFlow Lite во время преобразования TensorFlow Lite , которые могут оптимизировать вашу уже обученную модель TensorFlow.

См. руководство по квантованию после обучения , чтобы узнать больше.

Следующие шаги: инструментарий во время обучения

Если приведенные выше простые решения не удовлетворяют ваши потребности, возможно, вам придется использовать методы оптимизации времени обучения. Оптимизируйте дальше с помощью наших инструментов для обучения и копайте глубже.