# TensorFlow Lite 在編寫本書時，TF Lite 是該版塊中的新手，并且仍處于開發人員視圖中。 TF Lite 是 TensorFlow Mobile 和 TensorFlow 的一個非常小的子集，因此使用 TF Lite 編譯的二進制文件非常小，并提供卓越的表現。除了減小二進制文件的大小，TensorFlow 還采用了各種其他技術，例如： * 內核針對各種設備和移動架構進行了優化 * 計算中使用的值是量化的 * 激活函數是預融合的 * 它利用設備上可用的專用機器學習軟件或硬件，例如 Android NN API 在 TF Lite 中使用模型的工作流程如下： 1. **獲取模型：**您可以訓練自己的模型或選擇可從不同來源獲得的預訓練模型，并按原樣使用預訓練或使用您自己的數據再訓練，或在修改某些部分后再訓練該模型。只要您在文件中使用擴展名為.pb 或.pbtxt 的訓練模型，就可以繼續執行下一步。我們在前面的章節中學習了如何保存模型。 2. **檢查模型**：模型文件只包含圖的結構，因此需要保存檢查點文件。檢查點文件包含模型的序列化變量，例如權重和偏差。我們在前面的章節中學習了如何保存檢查點。 3. **凍結模型**：合并檢查點和模型文件，也稱為凍結圖。 TensorFlow 為此步驟提供`freeze_graph`工具，可以按如下方式執行： ```py $ freeze_graph --input_graph=mymodel.pb --input_checkpoint=mycheckpoint.ckpt --input_binary=true --output_graph=frozen_model.pb --output_node_name=mymodel_nodes ``` 1. **轉換模型**：需要使用 TensorFlow 提供的`toco`工具將步驟 3 中的凍結模型轉換為 TF Lite 格式： ```py $ toco --input_file=frozen_model.pb --input_format=TENSORFLOW_GRAPHDEF --output_format=TFLITE --input_type=FLOAT --input_arrays=input_nodes --output_arrays=mymodel_nodes --input_shapes=n,h,w,c ``` 1. 現在，在步驟 4 中保存的`.tflite`模型可以在使用 TFLite 二進制文件進行推理的 Android 或 iOS 應用中使用。在您的應用中包含 TFLite 二進制文件的過程不斷發展，因此我們建議讀者按照此鏈接中的信息在您的 Android 或 iOS 應用中包含 TFLite 二進制文件： [https://github.com/tensorflow/ tensorflow / tree / master / tensorflow / contrib / lite / g3doc](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/lite/g3doc) 通常，您可以使用`graph_transforms:summarize_graph`工具修剪在步驟 1 中獲得的模型。 修剪后的模型將僅具有在推理或預測時從輸入到輸出的路徑。僅刪除訓練或調試所需的任何其他節點和路徑（例如保存檢查點），從而使最終模型的大小非常小。 官方 TensorFlow 倉庫附帶 TF Lite 演示，該演示使用預訓練的`mobilenet`對來自 1001 類別中的設備相機的輸入進行分類。演示應用顯示前三個類別的概率。