您可以使用 LiteRT 立即運用各種預先訓練的開放原始碼模型，完成許多機器學習工作。使用預先訓練的 LiteRT 模型，即可快速將機器學習功能新增至行動裝置和邊緣裝置應用程式，不必建構及訓練模型。本指南可協助您尋找及決定要搭配 LiteRT 使用的訓練模型。
您可以在 Kaggle 模型上瀏覽大量模型。
尋找適合應用程式的模型
視您想達成的目標而定，尋找現有的 LiteRT 模型可能很棘手。以下是幾種建議方法，可協助您尋找適用於 LiteRT 的模型：
以範例來說明：如要快速尋找並開始使用 TensorFlow Lite 模型，最快的方法是瀏覽 LiteRT 範例部分，尋找執行類似您用途工作的模型。這份簡短的範例目錄提供常見用途的模型，並附上模型說明和程式碼範例，協助您開始執行及使用模型。
依資料輸入類型：除了查看與您用途類似的範例，您也可以根據要處理的資料類型 (例如音訊、文字、圖片或影片資料) 尋找適合的模型。機器學習模型通常是為搭配其中一種資料類型而設計，因此尋找可處理所需資料類型的模型，有助於縮小考慮範圍。
以下列出 Kaggle 模型上 LiteRT 模型的連結，適用於常見用途：
選擇類似的模型
如果您的應用程式遵循常見的用途 (例如圖片分類或物件偵測)，您可能會發現自己要在多個 TensorFlow Lite 模型之間做選擇，這些模型的二進位大小、資料輸入大小、推論速度和預測準確度評分各不相同。在多個模型之間做決定時，您應先根據最嚴格的限制縮小選項範圍：模型大小、資料大小、推論速度或準確度。
如果不確定最受限的條件為何，請假設是模型大小，並選取最小的模型。選擇小型模型可讓您在裝置方面享有最大彈性，順利部署及執行模型。此外，模型越小，通常推論速度越快，而預測速度越快，一般來說使用者體驗就越好。較小的模型通常準確率較低，因此如果預測準確度是主要考量，您可能需要選擇較大的模型。
模型來源
如要尋找及選取模型以搭配 TensorFlow Lite 使用，請先前往 LiteRT 範例部分和 Kaggle 模型。這些來源通常提供最新且經過精選的模型，可搭配 LiteRT 使用，並經常包含範例程式碼，加快開發流程。
TensorFlow 模型
您可以轉換一般 TensorFlow 模型，使其採用 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 Models 和 TensorFlow Model Garden 中找到 TensorFlow 模型。