有許多經過訓練的開放原始碼模型可立即搭配 TensorFlow Lite 使用，完成許多機器學習工作。使用預先訓練的 TensorFlow Lite 模型，就能將機器學習功能快速新增至行動裝置和邊緣裝置應用程式，不必建構和訓練模型。本指南可協助您尋找並決定已訓練模型，以便與 TensorFlow Lite 搭配使用。
您可以開始在 Kaggle 模型上瀏覽大量模型。
尋找應用程式模型
根據您想完成的作業，尋找現有 TensorFlow Lite 模型可能並不容易。以下提供幾個建議，協助您探索可搭配 TensorFlow Lite 使用的模型：
依範例：如要尋找並開始使用 TensorFlow Lite 來使用模型，最快的方法就是瀏覽 TensorFlow Lite 範例一節，尋找執行類似於您用途的模型。這個簡短的範例目錄提供了常見用途的模型，並提供模型和程式碼範例的說明，方便您開始執行並使用這些模型。
依資料類型：除了查看與用途類似的範例之外，如要自行發掘模型供個人使用，您也可以考慮想要處理的資料類型，例如音訊、文字、圖片或影片資料。機器學習模型通常專為與其中一種資料搭配使用而設計，因此在尋找能處理所需資料類型的模型有助於縮小考量範圍。
下列是 Kaggle 模型中 TensorFlow Lite 模型的連結，常見用途：
選擇相似的模型
如果您的應用程式符合圖片分類或物件偵測等常見用途，您可能會在決定使用多個 TensorFlow Lite 模型時，根據二進位檔大小、資料輸入大小、推論速度和預測準確率評分各不相同。在決定要選擇多個模型時，建議您先根據最限制的限制來縮小選項範圍：模型大小、資料大小、推論速度或準確率。
如果您不確定最大的限制是什麼，請假設這是模型的大小，並挑選可用的最小模型。挑選能成功部署及執行模型的裝置，是挑選小型模型時，您可以享有最大的彈性。一般來說，小型模型的推論速度更快，而預測速度越快，使用者通常能享有更優質的體驗。小型模型通常準確率較低，因此如果您主要關心預測準確率，您可能需要選擇較大的模型。
模型來源
將「TensorFlow Lite 範例」一節和 Kaggle Models 設為您第一個尋找及選取要用於 TensorFlow Lite 的模型的目的地。這些來源通常包含最新的精選模型，可與 TensorFlow Lite 搭配使用，而且經常包含程式碼範例，以加快您的開發程序。
TensorFlow 模型
您可將一般 TensorFlow 模型轉換為 TensorFlow Lite 格式。如要進一步瞭解如何轉換模型，請參閱 TensorFlow Lite Converter 說明文件。您可以在 Kaggle 模型和 TensorFlow Model Garden 中找到 TensorFlow 模型。