TensorFlow Lite estas malpeza solvo provizita de TensorFlow por ruli maŝinlernajn modelojn sur poŝtelefonoj kaj IoT-aparatoj. Kiam TensorFlow Lite-interpretisto prilaboras objektorekonmodelon kun kadro de mova aparato fotilo kiel enigaĵo, la produktaĵo tipe implikas plurajn stadiojn por finfine disponigi prognozojn koncerne la objektojn ĉeestantajn en la bildo.
Unue, la eniga kadro de la poŝtelefona fotilo estas enigita en la interpretilon TensorFlow Lite. La interpretisto tiam antaŭprocezas la enigbildon konvertante ĝin en formaton taŭgan por la maŝinlernada modelo. Tiu antaŭpretigpaŝo kutime implikas regrandigi la bildon por egali la eniggrandecon atenditan de la modelo, normaligante pikselvalorojn, kaj eble aplikante aliajn transformojn specifajn por la modelarkitekturo.
Poste, la antaŭprilaborita bildo estas trapasita tra la objekta rekonmodelo ene de la interpretisto TensorFlow Lite. La modelo prilaboras la bildon uzante siajn lernitajn parametrojn kaj arkitekturon por generi prognozojn pri la ĉeestantaj objektoj en la kadro. Tiuj prognozoj tipe inkludas informojn kiel ekzemple la klasetikedoj de la objektoj detektitaj, siaj lokoj en la bildo, kaj la fidpoentaroj asociitaj kun ĉiu prognozo.
Post kiam la modelo faris siajn antaŭdirojn, la interpretisto TensorFlow Lite eligas ĉi tiujn informojn en strukturita formato, kiu povas esti uzata de la aplikaĵo utiliganta la modelon. Tiu produktaĵo povas varii dependi de la specifaj postuloj de la aplikiĝo, sed ofte inkludas la detektitajn objektoklasojn, limkestojn skizantajn la objektojn en la bildo, kaj la rilatajn fidpoentarojn.
Ekzemple, se la objekta rekonmodelo estas trejnita por detekti oftajn objektojn kiel aŭtojn, piedirantoj, kaj trafiksignojn, la produktaĵo de la TensorFlow Lite-interpretisto eble inkludos prognozojn kiel ekzemple "aŭto" kun limkesto preciziganta la lokon de la aŭto en la bildo kaj fidpoentaro indikanta la certecon de la modelo pri la prognozo.
La produktaĵo de la TensorFlow Lite-interpretisto por objekta rekona maŝinlernada modelo prilaboranta kadron de poŝtelefona fotilo implikas antaŭprilabori la enigbildon, pasi ĝin tra la modelo por inferenco, kaj disponigi prognozojn pri la objektoj ĉeestantaj en la bildo en strukturita formato. taŭga por plua prilaborado de la aplikaĵo.
Aliaj lastatempaj demandoj kaj respondoj pri Fundamentoj de EITC/AI/TFF TensorFlow:
- Kiel oni povas uzi enkonstruan tavolon por aŭtomate asigni taŭgajn aksojn por intrigo de reprezentado de vortoj kiel vektoroj?
- Kio estas la celo de maksimuma kunigo en CNN?
- Kiel estas la procedo de eltiro de trajto en konvolucia neŭrala reto (CNN) aplikata al bildrekono?
- Ĉu necesas uzi nesinkronan lernan funkcion por maŝinlernado-modeloj, kiuj funkcias en TensorFlow.js?
- Kio estas la parametro de maksimuma nombro da vortoj de TensorFlow Keras Tokenizer API?
- Ĉu TensorFlow Keras Tokenizer API povas esti uzata por trovi plej oftajn vortojn?
- Kio estas TOCO?
- Kio estas la rilato inter kelkaj epokoj en maŝinlernada modelo kaj la precizeco de antaŭdiro de funkciado de la modelo?
- Ĉu la paka najbara API en Neŭrala Strukturita Lernado de TensorFlow produktas pliigitan trejnan datumon bazitan sur naturaj grafikaj datumoj?
- Kio estas la paka najbara API en Neŭrala Strukturita Lernado de TensorFlow?
Rigardu pliajn demandojn kaj respondojn en EITC/AI/TFF TensorFlow Fundamentals
Pliaj demandoj kaj respondoj:
- Kampo: Artefarita inteligento
- programo: Fundamentoj de EITC/AI/TFF TensorFlow (iru al la atestprogramo)
- Leciono: Programado TensorFlow (iru al rilata leciono)
- Fadeno: Enkondukante TensorFlow Lite (iru al rilata temo)