1. Pilih model terbaik untuk tugas tersebut
Bergantung pada tugasnya, Anda perlu membuat trade-off antara kompleksitas dan ukuran model. Jika tugas Anda memerlukan akurasi tinggi, Anda mungkin memerlukan model yang besar dan kompleks. Untuk tugas-tugas yang memerlukan ketelitian lebih rendah, lebih baik menggunakan model yang lebih kecil karena tidak hanya menggunakan lebih sedikit ruang disk dan memori, tetapi juga secara umum lebih cepat dan hemat energi.
2. Model yang telah dioptimalkan sebelumnya
Lihat apakah ada model TensorFlow Lite yang sudah dioptimalkan dan memberikan efisiensi yang diperlukan oleh aplikasi Anda.
3. Perkakasan pasca pelatihan
Jika Anda tidak dapat menggunakan model terlatih untuk aplikasi Anda, coba gunakan alat kuantisasi pasca-pelatihan TensorFlow Lite selama konversi TensorFlow Lite , yang dapat mengoptimalkan model TensorFlow yang sudah dilatih.
Lihat tutorial kuantisasi pasca pelatihan untuk mempelajari lebih lanjut.
Langkah selanjutnya: Perkakas waktu pelatihan
Jika solusi sederhana di atas tidak memenuhi kebutuhan Anda, Anda mungkin perlu melibatkan teknik pengoptimalan waktu pelatihan. Optimalkan lebih jauh dengan alat waktu pelatihan kami dan gali lebih dalam.