เพิ่มประสิทธิภาพเพิ่มเติม
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
เมื่อแบบจำลองก่อนการเพิ่มประสิทธิภาพและเครื่องมือหลังการฝึกไม่เป็นไปตามกรณีการใช้งานของคุณ ขั้นตอนต่อไปคือการลองใช้เครื่องมือเวลาฝึกที่แตกต่างกัน
เครื่องมือเวลาฝึกอบรม piggyback เกี่ยวกับฟังก์ชันการสูญเสียของแบบจำลองเหนือข้อมูลการฝึกอบรม เพื่อให้แบบจำลองสามารถ "ปรับ" ให้เข้ากับการเปลี่ยนแปลงที่เกิดจากเทคนิคการเพิ่มประสิทธิภาพ
จุดเริ่มต้นในการใช้ API การฝึกอบรมของเราคือสคริปต์การฝึกอบรม Keras ซึ่งสามารถเลือกที่จะเริ่มต้นจากโมเดล Keras ที่ฝึกฝนไว้ล่วงหน้าเพื่อปรับแต่งเพิ่มเติมได้
เครื่องมือเวลาฝึกอบรมให้คุณลอง:
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-07-25 UTC
[null,null,["อัปเดตล่าสุด 2025-07-25 UTC"],[],[],null,["# Optimize further\n\n\u003cbr /\u003e\n\nWhen pre-optimized models and post-training tools do not satisfy your use case,\nthe next step is to try the different training-time tools.\n\nTraining time tools piggyback on the model's loss function over the training\ndata such that the model can \"adapt\" to the changes brought by the optimization\ntechnique.\n\nThe starting point to use our training APIs is a Keras training script, which\ncan be optionally initialized from a pre-trained Keras model to further fine\ntune.\n\nTraining time tools available for you to try:\n\n- [Weight pruning](./pruning/)\n- [Quantization](./quantization/training)\n- [Weight clustering](./clustering/)\n- [Collaborative optimization](./combine/collaborative_optimization)"]]
