TensorFlow Lite ir viegls risinājums, ko nodrošina TensorFlow, lai darbinātu mašīnmācības modeļus mobilajās un IoT ierīcēs. Kad TensorFlow Lite tulks apstrādā objektu atpazīšanas modeli ar mobilās ierīces kameras kadru kā ievadi, izvade parasti ietver vairākus posmus, lai galu galā sniegtu prognozes par attēlā esošajiem objektiem.
Pirmkārt, mobilās ierīces kameras ievades rāmis tiek ievadīts TensorFlow Lite tulkā. Pēc tam tulks iepriekš apstrādā ievades attēlu, pārveidojot to mašīnmācīšanās modelim piemērotā formātā. Šajā priekšapstrādes posmā parasti tiek mainīts attēla izmērs, lai tas atbilstu modelī paredzētajam ievades lielumam, pikseļu vērtību normalizēšana un, iespējams, citu modeļa arhitektūrai raksturīgu transformāciju pielietošana.
Pēc tam iepriekš apstrādātais attēls tiek nodots caur objektu atpazīšanas modeli TensorFlow Lite tulkā. Modelis apstrādā attēlu, izmantojot tā apgūtos parametrus un arhitektūru, lai radītu prognozes par kadrā esošajiem objektiem. Šīs prognozes parasti ietver informāciju, piemēram, atklāto objektu klases etiķetes, to atrašanās vietu attēlā un ticamības rādītājus, kas saistīti ar katru prognozi.
Kad modelis ir sagatavojis savas prognozes, TensorFlow Lite tulks izvada šo informāciju strukturētā formātā, ko var izmantot lietojumprogramma, kas izmanto modeli. Šī izvade var atšķirties atkarībā no lietojumprogrammas īpašajām prasībām, taču parasti tajā ir ietvertas atklātās objektu klases, robežlodziņi, kas iezīmē objektus attēlā, un saistītie ticamības rādītāji.
Piemēram, ja objektu atpazīšanas modelis ir apmācīts noteikt bieži sastopamus objektus, piemēram, automašīnas, gājējus un ceļa zīmes, TensorFlow Lite tulka izvade var ietvert prognozes, piemēram, "automašīna" ar ierobežojošu lodziņu, kas norāda automašīnas atrašanās vietu attēls un ticamības rādītājs, kas norāda uz modeļa pārliecību par prognozi.
TensorFlow Lite tulka izvade objektu atpazīšanas mašīnmācīšanās modelim, kas apstrādā kadru no mobilās ierīces kameras, ietver ievades attēla priekšapstrādi, izvadīšanu caur modeli secinājumu veikšanai un prognožu sniegšanu par attēlā esošajiem objektiem strukturētā formātā. piemērots tālākai apstrādei lietojumprogrammā.
Citi jaunākie jautājumi un atbildes par EITC/AI/TFF TensorFlow pamati:
- Kā var izmantot iegulšanas slāni, lai automātiski piešķirtu pareizas asis vārdu kā vektoru attēlojuma diagrammai?
- Kāds ir maksimālās apvienošanas mērķis CNN?
- Kā attēlu atpazīšanai tiek izmantots funkciju ieguves process konvolucionālajā neironu tīklā (CNN)?
- Vai mašīnmācīšanās modeļiem, kas darbojas TensorFlow.js, ir jāizmanto asinhronā mācīšanās funkcija?
- Kāds ir TensorFlow Keras Tokenizer API maksimālā vārdu skaita parametrs?
- Vai TensorFlow Keras Tokenizer API var izmantot, lai atrastu biežākos vārdus?
- Kas ir TOCO?
- Kāda ir saistība starp vairākiem mašīnmācīšanās modeļa laikmetiem un modeļa palaišanas prognozēšanas precizitāti?
- Vai paketes kaimiņu API TensorFlow neironu strukturētajā mācībā rada paplašinātu apmācības datu kopu, kuras pamatā ir dabiskie diagrammas dati?
- Kas ir paketes kaimiņu API TensorFlow neironu strukturētajā apmācībā?
Skatiet vairāk jautājumu un atbilžu EITC/AI/TFF TensorFlow Fundamentals