LiteRT 的預先訓練模型

市面上有許多已訓練的開放原始碼模型運用 LiteRT 完成許多機器學習工作使用預先訓練的 LiteRT 模型來新增機器學習功能快速流暢地整合行動和邊緣裝置應用程式建立及訓練模型本指南可協助你尋找並決定可與 LiteRT 搭配使用的模型

尋找應用程式模型

想根據用途找出現有的 LiteRT 模型並不容易取決於你想達成的目標以下提供一些建議做法，探索適合與 LiteRT 搭配使用的模型：

依範例：透過 TensorFlow 以最快速度找出並開始使用模型 Lite 是瀏覽 LiteRT 示例區段，尋找可執行類似您用途的模型。這個簡短的範例提供了常見用途的模型，提供模型與程式碼範例的說明，協助您快速上手具體做法是指示 Kubernetes 建立並維護一或多個代表這些 Pod 的物件

依資料輸入類型：除了參考與用途類似的範例外，為個人用途探索模型的另一種方式，是考量資料類型您希望處理的資料例如音訊、文字、圖片或影片資料機器機器學習模型通常適合與其中一種資料搭配使用因此，建議你想找能處理所需資料類型的模型來縮小範圍

下列是 Kaggle 的 LiteRT 模型連結常見用途模型：

選擇相似的模型

如果應用程式符合圖片分類或物件偵測，您可能會想切換使用多個 TensorFlow 精簡型模型，具有不同二進位檔大小、資料輸入大小、推論速度和以及預測準確率評等您決定要選擇多個模型時應該先根據最嚴格的限制縮小選項範圍：資料模型、資料大小、推論速度或準確率

如果不確定最大的限制是什麼，請假設其大小為然後從模型中選取可用的最小模型挑選一個小型模型讓您以最具彈性的方式部署及執行模型一般來說，小型模型的製作速度以及更快的預測速度，通常能創造出更好的使用者這點十分重要小型模型通常準確率較低，因此您可能需要來挑選較大的模型 (如果預測準確率是您的首要考量)。

模型來源

使用 LiteRT 示例「Kaggle 模型」用於尋找及選取模型以用於 TensorFlow 的目的地精簡這些來源通常包含最新的精選模型，以便用於 LiteRT，並且經常加入程式碼範例，加快開發流程

TensorFlow 模型

您可將一般 TensorFlow 模型轉換為 TensorFlow 精簡格式。如要進一步瞭解如何轉換模型，請參閱 TensorFlow Lite 轉換器說明文件。如需 TensorFlow 模型 Kaggle 模型和 TensorFlow 模型花園。