Có nhiều mô hình nguồn mở đã được huấn luyện mà bạn có thể sử dụng ngay với TensorFlow Lite để thực hiện nhiều nhiệm vụ trong công nghệ học máy. Việc sử dụng các mô hình TensorFlow Lite được huấn luyện trước cho phép bạn nhanh chóng thêm chức năng học máy vào ứng dụng dành cho thiết bị di động và thiết bị Edge mà không cần phải xây dựng và huấn luyện mô hình. Hướng dẫn này giúp bạn tìm và quyết định chọn các mô hình đã huấn luyện để sử dụng với TensorFlow Lite.
Bạn có thể bắt đầu duyệt qua một tập hợp lớn các mô hình trên Mô hình Kaggle.
Tìm mô hình cho ứng dụng của bạn
Việc tìm một mô hình TensorFlow Lite hiện có cho trường hợp sử dụng của bạn có thể khó khăn, tuỳ thuộc vào những gì bạn đang cố gắng đạt được. Sau đây là một số cách đề xuất để khám phá các mô hình có thể sử dụng với TensorFlow Lite:
Ví dụ: Cách nhanh nhất để tìm và bắt đầu sử dụng các mô hình với TensorFlow Lite là duyệt qua phần Ví dụ về TensorFlow Lite để tìm các mô hình thực hiện một tác vụ tương tự như trường hợp sử dụng của bạn. Danh mục ví dụ ngắn này cung cấp mô hình cho các trường hợp sử dụng phổ biến, cùng với nội dung giải thích về mô hình và mã mẫu để giúp bạn bắt đầu chạy và sử dụng các mô hình đó.
Theo kiểu dữ liệu đầu vào: Ngoài việc xem các ví dụ tương tự như trường hợp sử dụng của bạn, bạn có thể xem xét loại dữ liệu bạn muốn xử lý, chẳng hạn như dữ liệu âm thanh, văn bản, hình ảnh hoặc video để khám phá các mô hình sử dụng cho mục đích riêng. Các mô hình học máy thường được thiết kế để sử dụng với một trong các loại dữ liệu này. Vì vậy, việc tìm các mô hình xử lý loại dữ liệu mà bạn muốn sử dụng có thể giúp bạn thu hẹp những mô hình cần cân nhắc.
Sau đây là danh sách các đường liên kết đến các mô hình TensorFlow Lite trên Mô hình Kaggle cho các trường hợp sử dụng phổ biến:
- Mô hình phân loại hình ảnh
- Mô hình Phát hiện đối tượng
- Mô hình phân loại văn bản
- Mô hình Nhúng văn bản
- Mô hình tổng hợp lời nói
- Mô hình Nhúng âm thanh
Chọn trong các mẫu máy tương tự
Nếu ứng dụng của bạn tuân theo một trường hợp sử dụng phổ biến như phân loại hình ảnh hoặc phát hiện đối tượng, thì bạn có thể phải quyết định giữa nhiều mô hình TensorFlow Lite với kích thước nhị phân, kích thước nhập dữ liệu, tốc độ suy luận và mức xếp hạng độ chính xác trong dự đoán. Khi quyết định sử dụng một số mô hình, trước tiên, bạn nên thu hẹp các lựa chọn của mình dựa trên hạn chế hạn chế nhất: kích thước của mô hình, kích thước dữ liệu, tốc độ suy luận hoặc độ chính xác.
Nếu bạn không chắc chắn ràng buộc giới hạn nhất của mình là gì, hãy giả định đó là kích thước của mô hình và chọn mô hình nhỏ nhất hiện có. Việc chọn một mô hình nhỏ sẽ mang lại cho bạn sự linh hoạt nhất về các thiết bị mà bạn có thể triển khai và chạy mô hình thành công. Các mô hình nhỏ hơn cũng thường cho kết quả suy luận nhanh hơn và việc dự đoán nhanh hơn thường tạo ra trải nghiệm tốt hơn cho người dùng cuối. Các mô hình nhỏ hơn thường có tỷ lệ chính xác thấp hơn. Vì vậy, bạn có thể cần chọn các mô hình lớn hơn nếu độ chính xác của thông tin dự đoán là mối quan tâm chính của bạn.
Nguồn cho mô hình
Hãy dùng phần Ví dụ về TensorFlow Lite và Mô hình Kaggle làm đích đến đầu tiên để tìm và chọn mô hình để sử dụng với TensorFlow Lite. Các nguồn này thường có các mô hình mới nhất, được tuyển chọn để sử dụng với TensorFlow Lite và thường bao gồm mã mẫu để đẩy nhanh quá trình phát triển.
Mô hình TensorFlow
Bạn có thể chuyển đổi các mô hình TensorFlow thông thường sang định dạng TensorFlow Lite. Để biết thêm thông tin về cách chuyển đổi mô hình, hãy xem tài liệu về Trình chuyển đổi TensorFlow Lite. Bạn có thể tìm thấy các mô hình TensorFlow trên Mô hình Kaggle và trong Vườn mô hình TensorFlow.