1. เลือกรุ่นที่ดีที่สุดสำหรับงาน
คุณจะต้องทำการแลกเปลี่ยนระหว่างความซับซ้อนและขนาดของโมเดล ทั้งนี้ขึ้นอยู่กับงาน หากงานของคุณต้องการความแม่นยำสูง คุณอาจต้องแบบจำลองที่มีขนาดใหญ่และซับซ้อน สำหรับงานที่ต้องการความแม่นยำน้อยกว่า ควรใช้โมเดลที่เล็กกว่าเพราะไม่เพียงแต่ใช้พื้นที่ดิสก์และหน่วยความจำน้อยลงเท่านั้น แต่โดยทั่วไปยังเร็วกว่าและประหยัดพลังงานมากกว่าอีกด้วย
2. โมเดลที่ปรับให้เหมาะสมล่วงหน้า
ดูว่า โมเดลที่เพิ่มประสิทธิภาพล่วงหน้าของ TensorFlow Lite ที่มีอยู่ให้ประสิทธิภาพตามที่แอปพลิเคชันของคุณต้องการหรือไม่
3. เครื่องมือหลังการฝึกอบรม
หากคุณไม่สามารถใช้โมเดลที่ฝึกไว้ล่วงหน้ากับแอปพลิเคชันของคุณได้ ให้ลองใช้ เครื่องมือวัดปริมาณหลังการฝึก TensorFlow Lite ในระหว่าง การแปลง TensorFlow Lite ซึ่งสามารถเพิ่มประสิทธิภาพโมเดล TensorFlow ที่ผ่านการฝึกแล้วของคุณได้
ดู บทแนะนำการวัดปริมาณหลังการฝึกอบรม เพื่อเรียนรู้เพิ่มเติม
ขั้นตอนถัดไป: การใช้เครื่องมือเวลาการฝึกอบรม
หากโซลูชันง่ายๆ ข้างต้นไม่ตรงตามความต้องการของคุณ คุณอาจต้องใช้เทคนิคการเพิ่มประสิทธิภาพเวลาการฝึกอบรม เพิ่มประสิทธิภาพเพิ่มเติม ด้วยเครื่องมือเวลาการฝึกอบรมของเราและเจาะลึกยิ่งขึ้น