1. Выберите лучшую модель для поставленной задачи
В зависимости от задачи вам придется найти компромисс между сложностью и размером модели. Если ваша задача требует высокой точности, то вам может понадобиться большая и сложная модель. Для задач, требующих меньшей точности, лучше использовать модель меньшего размера, поскольку они не только используют меньше дискового пространства и памяти, но также, как правило, быстрее и более энергоэффективны.
2. Предварительно оптимизированные модели
Посмотрите, обеспечивают ли какие-либо существующие предварительно оптимизированные модели TensorFlow Lite эффективность, необходимую вашему приложению.
3. Инструменты для постобучения
Если вы не можете использовать предварительно обученную модель для своего приложения, попробуйте использовать инструменты квантования после обучения TensorFlow Lite во время преобразования TensorFlow Lite , которые могут оптимизировать вашу уже обученную модель TensorFlow.
Дополнительную информацию см. в руководстве по квантованию после обучения .
Следующие шаги: инструменты для обучения
Если приведенные выше простые решения не удовлетворяют ваши потребности, возможно, вам придется использовать методы оптимизации времени обучения. Оптимизируйте дальше с помощью наших инструментов для обучения и копайте глубже.