LiteRT modelleri oluşturma

Bu sayfada, LiteRT modeli biçimine dönüştürmeyi öğreneceksiniz. Makine LiteRT ile kullandığınız öğrenim (ML) modelleri başlangıçta oluşturulur ve kullanılarak eğitilmiştir. Modelinizi oluşturduktan sonra onu daha küçük ve verimli bir makine öğrenimi modeline dönüştürebilirsiniz. olarak adlandırılır.

Dönüştürmek istediğiniz bir modeliniz varsa Modelleri dönüştürme genel bakış sayfamızı ziyaret edin.

Modelinizi oluşturma

Kendi kullanım alanınız için özel bir model oluşturuyorsanız ve eğitmek ya da mevcut modeli genişletmekle işe yarar.

Model tasarımı kısıtlamaları

Model geliştirme sürecinize başlamadan önce, ekibinizin ve modelinizi bu kısıtlamalarla oluşturun aklınızdaki kısıtlamalar:

  • Sınırlı işlem özellikleri: Google Cloud'a sahip tam donanımlı sunucularla Birden fazla CPU, yüksek bellek kapasitesi ve GPU'lar gibi özel işlemciler TPU'lar, mobil ve uç cihazlar çok daha sınırlıdır. Bu süre içinde giderek daha fazla güç kazanan model, verimli bir şekilde işleyebileceğiniz veriler de nispeten kısıtlıdır.
  • Modellerin boyutu: Veriler de dahil olmak üzere bir modelin genel karmaşıklığı ve modeldeki katman sayısı, ön işleme mantığı ile birlikte bellek içi boyutuna göre çalışır. Büyük bir model, kabul edilemeyecek kadar yavaş veya bir mobil veya uç cihazın mevcut belleğine sığmayabilir.
  • Verilerin boyutu: Etkili şekilde işlenebilecek giriş verilerinin boyutu mobil veya uç cihazlarda sınırlı olarak tespit edilir. Modeller dil kitaplıkları, görüntü kitaplıkları ve veya video klip kitaplıkları bu cihazlara sığmayabilir ve depolama ve erişim çözümleri sunar.
  • Desteklenen TensorFlow işlemleri - LiteRT çalışma zamanı ortamları normal kullanıcılara kıyasla makine öğrenimi modeli işlemlerinin bir alt kümesini destekler. TensorFlow modelleri. LiteRT ile kullanmak üzere bir model geliştirdikçe, modelinizin özelliklerine göre LiteRT çalışma zamanı ortamları.

Üretken yapay zeka modelleri için etkili, uyumlu ve yüksek performanslı modeller LiteRT için Performansla ilgili en iyi uygulamalar bölümüne bakın.

Model geliştirme

LiteRT modeli oluşturmak için öncelikle TensorFlow temel kitaplıkları. TensorFlow temel kitaplıkları alt düzeydir makine öğrenimi modelleri oluşturmak, eğitmek ve dağıtmak için API'ler sağlayan kitaplıklar.

TFLite derleme iş akışı

TensorFlow bunu yapmak için iki yol sunar. Kendi özel şablonunuzu geliştirebilirsiniz veya Google Ads API'sinde bulunan bir model uygulamasıyla TensorFlow Model Garden.

Model Garden

TensorFlow Model Garden, birçok teknoloji harikası Görme ve doğal dil işleme (NLP) için makine öğrenimi (ML) modelleri. Ayrıca, bu kampanyaları hızlı bir şekilde yapılandırmanızı ve çalıştırmanızı sağlayan iş akışı araçları modeller üzerinde çalışıyor. Model Bahçesi'ndeki makine öğrenimi modelleri tam kodu ekleyin. Böylece kendi kodunuzu kullanarak bunları test edebilir, eğitebilir veya yeniden eğitebilirsiniz. veri kümelerinde yer alır.

İyi bilinen bir model için performans karşılaştırması yapmak istiyor olun, araştırmanın sonuçlarını geliştirebilir veya mevcut modellerin kapsamını genişletebilir Bahçe, makine öğrenimi hedeflerinize ulaşmanıza yardımcı olabilir.

Özel modeller

Kullanım alanınız Model Bahçesi'ndeki modeller tarafından desteklenenlerin dışındaysa Keras gibi üst düzey bir kitaplık kullanarak ekleyebilirsiniz. TensorFlow ile ilgili temel bilgileri öğrenmek için TensorFlow kılavuzu. daha fazla bilgi için TensorFlow eğitimlerine genel bakış gibi çeşitli alt bölümlerin ve uzman düzeyinde eğitimlere başlıyoruz.

Model değerlendirme

Modelinizi geliştirdikten sonra performansını değerlendirmeli ve test etmeli son kullanıcı cihazlarında bu özelliği kullanabilirsiniz. TensorFlow bunu yapmak için birkaç yol sunar.

  • TensorBoard ölçüm ve görselleştirmeleri sağlayan bir araçtır. makine öğrenimi iş akışını takip edin. Kayıp gibi deneme metriklerinin izlenmesini sağlar. model grafiğini görselleştirme, yerleştirmeleri daha düşük bir ve çok daha fazlasını içeriyor.
  • Desteklenen her biri için karşılaştırma araçları mevcuttur Android karşılaştırma uygulaması ve iOS karşılaştırma uygulaması gibi platformlardaki en iyi uygulamaları paylaşacağız. Tekliflerinizi otomatikleştirmek ve optimize etmek için Bu araçları, önemli performansa ilişkin istatistikleri ölçüp hesaplamak için kullanabilirsiniz. kullanabilirsiniz.

Model optimizasyonu

TensorFlow'a özel kaynaklardaki kısıtlamalar sayesinde Basit modellerde, model optimizasyonu modelinizin iyi performans göstermesini sağlamaya yardımcı olabilir ve daha az işlem kaynağı kullanır. Makine öğrenimi modelinin performansı genellikle ve doğruluk hızı ile çıkarım hızı arasında bir denge kurmaktır. LiteRT şu anda niceleme, budama ve kümeleme yoluyla optimizasyonu desteklemektedir. Görüntüleyin daha fazla ayrıntı için model optimizasyonu konusuna teknikleri. TensorFlow ayrıca, çeşitli kampanya ve reklam öğeleri için Model optimizasyonu araç seti içerir. Bu araçlar, teknikleri.

Sonraki adımlar