
176
|
第
9
章
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()
import pathlib
tflite_model_file = pathlib.Path('model.tflite')
tflite_model_file.write_bytes(tflite_model)
我们将在第 10 章和第 11 章探索如何使用这些模型。
迁移学习是一种强大的技术,这里只是简单介绍。要了解更多相关信息,请查看
Aurelien Geron 的
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
等书籍,或 Andrew Ng 的优秀教程,例如“迁移学习”视频(
https:/ /oreil.ly/MDOEu
)。
9.4
创建语言模型
在本章中,你了解了如何以多种方式创建模型,以及如何将它们转换为 TensorFlow
Lite,以便将它们部署到移动应用程序中(你将在下一章中看到)。一个重要的细微差别
是它们都是基于图像的模型,对于其他模型类型,你可能需要与 TFLite 模型一起部署额
外的元数据,以便你的移动应用程序可以有效地使用该模型。我们不会在此处详细介绍
训练自然语言处理(NLP)模型的细节
—
这只是对为移动应用创建模型的概念的高度
概括。有关创建和训练语言模型以及 NLP 工作原理的更详细的情况,请查看我的 ...