您使用 LiteRT 的機器學習 (ML) 模型，原本是使用 TensorFlow 核心程式庫和工具建構及訓練。使用 TensorFlow Core 建構模型後，您可以將其轉換為更小、更有效率的 ML 模型格式，也就是 LiteRT 模型。本節提供指南，說明如何將 TensorFlow 模型轉換為 LiteRT 模型格式。
轉換工作流程
將 TensorFlow 模型轉換為 LiteRT 格式時，可採用的路徑會因機器學習模型的內容而異。首先，您應評估模型是否可直接轉換。這項評估會根據模型使用的 TensorFlow 運算，判斷標準 LiteRT 執行階段環境是否支援模型內容。如果模型使用的作業不在支援的作業集中，您可以重構模型或使用進階轉換技術。
下圖顯示轉換模型的高階步驟。
圖 1. LiteRT 轉換工作流程。
以下各節將說明評估及轉換模型，以便搭配 LiteRT 使用的程序。
輸入模型格式
轉換工具支援下列輸入模型格式：
- SavedModel (建議使用)：以一組檔案形式儲存在磁碟上的 TensorFlow 模型。
- Keras 模型：使用高階 Keras API 建立的模型。
- Keras H5 格式：Keras API 支援的 SavedModel 格式輕量替代方案。
- 以具體函式建構的模型：使用低階 TensorFlow API 建立的模型。
您可以將 Keras 和具體函式模型儲存為 SavedModel，並使用建議路徑進行轉換。
主題。如果您有 Jax 模型，可以使用 TFLiteConverter.experimental_from_jax API 將其轉換為 LiteRT 格式。請注意，這個 API 處於實驗模式時，可能會有所變動。
轉換評估
評估模型是嘗試轉換模型前的重要步驟。評估時，請判斷模型內容是否與 LiteRT 格式相容。此外，您也應根據模型使用的資料大小、硬體處理需求，以及模型的整體大小和複雜度，判斷模型是否適合在行動裝置和邊緣裝置上使用。
對於許多模型，轉換器應該都能直接運作。不過，LiteRT 內建運算子程式庫僅支援部分 TensorFlow 核心運算子，因此部分模型可能需要額外步驟，才能轉換為 LiteRT。此外，基於效能考量，LiteRT 支援的部分作業設有使用限制。請參閱運算子相容性指南，判斷模型是否需要重構以進行轉換。
模型轉換
LiteRT 轉換工具可使用 TensorFlow 模型產生 LiteRT 模型 (副檔名為 .tflite 的最佳化 FlatBuffer 格式)。您可以載入 SavedModel，或直接轉換您在程式碼中建立的模型。
轉換工具會採用 3 個主要標記 (或選項)，自訂模型的轉換作業：
- 相容性標記可讓您指定轉換是否應允許自訂運算子。
- 最佳化旗標可讓您指定要在轉換期間套用的最佳化類型。最常用的最佳化技術是訓練後量化。
- 中繼資料標記可讓您在轉換後的模型中新增中繼資料，以便在裝置上部署模型時，更輕鬆地建立平台專屬的包裝函式程式碼。
你可以使用 Python API 或指令列工具轉換模型。如需在模型上執行轉換器的逐步操作說明，請參閱「轉換 TF 模型」指南。
通常您會將模型轉換為標準的 LiteRT 執行階段環境，或是 LiteRT (Beta 版) 的 Google Play 服務執行階段環境。部分進階用途需要自訂模型執行階段環境，因此轉換程序會增加額外步驟。如需更多指引，請參閱 Android 總覽的「進階執行階段環境」一節。
進階轉換
如果在模型上執行轉換器時遇到錯誤，很可能是運算子相容性問題。TensorFlow Lite 不支援所有 TensorFlow 運算。如要解決這些問題，可以重構模型，或使用進階轉換選項，為模型建立修改過的 LiteRT 格式，以及自訂執行階段環境。
- 如要進一步瞭解 TensorFlow 和 LiteRT 模型相容性考量事項，請參閱「模型相容性總覽」。
- 「模型相容性總覽」下的主題涵蓋模型重構的進階技術，例如「選取運算子」指南。
- 如需作業和限制的完整清單，請參閱 LiteRT 作業頁面。