完善资料让更多小伙伴认识你，还能领取20积分哦， 立即完善>
3天内不再提示
电子发烧友论坛|
相比TensorFlow Mobile
TensorFlow Mobile是在推出TensorFlow（简称TF）时同时推出的，用于支持手机上的模型嵌入式部署，但对于移动设备上使用深度学习网络还是有相对的限制，主要是计算性能无法达到。 1）TensorFlow Lite更为轻量级，相比Tensor Flow Mobile通过TF Lite 生成的链接库体积很小。 2）TensorFlow Mobile的编译依赖protobuf 等库，而TensorFlow Lite不需要大的依赖库。 3）TensorFlow Mobile成熟，全面，支持的用例丰富，TensorFlow Lite目前主要支持CNN的实现， 4）两者都能支持Android, iOS，跨平台性没问题 5）TensorFlow Lite可以与Android 8.1中发布的神经网络API完美配合，即便在没有硬件加速时也能调用CPU处理，确保模型在不同设备上的运行。 6）可以用上移动端硬件加速。TensorFlow Lite 可以通过Android Neural Networks API (NNAPI) 进行硬件加速，只要加速芯片支持 NNAPI，就能够为TensorFlow Lite 加速。不过目前在大多数Android 手机上，TensorFlow Lite 还是运行在CPU 上的。 |
|
|
|
|
|
TensorFlow Lite组件
1）TensorFlow 模型（Tensor Flow Model）：保存在磁盘中的训练模型。 2）TensorFlow Lite 转化器（Tensor Flow Lite Converter）：将模型转换成TensorFlow Lite 文件格式的项目。 3）TensorFlow Lite 模型文件（TensorFlow Lite Model File）：基于Flat Buffers，适配最大速度和最小规模的模型。 |
|
|
|
|
|
Tensor Flow Lite过程
1）使用现有优秀的网络模型训练自己的模型。模型需要现在PC端进行训练，若要使用现有模型解决新问题，也可以考虑迁移学习。 2）模型转换成TF Lite模型文件。这一步涉及模型的固化（保存模型的参数和graph），目前主流的方法有两种。 第一种： Step 1：在算法训练的脚本中保存图模型文件（GraphDef）和变量文件（CheckPoint） Step 2：利用freeze_graph工具生成frozen的graphdef文件 Step 3：利用toco工具，生成最终的TF Lite文件 参考：https://blog.csdn.net/sinat_34022298/article/details/81569769 备注：网上大多数资料讲的都是这种通过bazel重新编译模型生成依赖方法，但看到一些开发者实践认为这种方法难度很大，建议尝试TensorFlow Lite官方的例子中的方法，也就是下面第二种方法。 第二种：变量转成常量之后写入PB文件，谷歌提供方法快速实现变量转换成常量的方法。 参见以下链接：https://www.jianshu.com/p/091415b114e2 3）在AndroidStudio进行构建 |
|
|
|
|
|
|
|
|
|
|
只有小组成员才能发言，加入小组>>
【爱芯派 Pro 开发板试用体验】人体姿态估计模型部署后期尝试
1655 浏览 0 评论
1146 浏览 0 评论
【爱芯派 Pro 开发板试用体验】人体姿态估计模型部署后期尝试
1193 浏览 0 评论
【爱芯派 Pro 开发板试用体验】在爱芯派 Pro上部署坐姿检测
1200 浏览 0 评论
【爱芯派 Pro 开发板试用体验】利用爱芯派 Pro部署USB摄像头
1357 浏览 0 评论
【爱芯派 Pro 开发板试用体验】爱芯元智AX650N部署yolov5s 自定义模型
827浏览 1评论
1853浏览 1评论
【爱芯派 Pro 开发板试用体验】+ 利用TF卡进行系统更新
1494浏览 1评论
1453浏览 1评论
761浏览 0评论
/6 
关注我们的微信
下载发烧友APP
电子发烧友观察
版权所有 © 湖南华秋数字科技有限公司
电子发烧友 （电路图） 湘公网安备 43011202000918 号 电信与信息服务业务经营许可证：合字B2-20210191
工商网监
湘ICP备2023018690号
1203
评论
淘帖
399
