移动端AI与ML应用开发：基于iOS和Android

使用

Firebase

产品化应用程序

|

215

model = image_classifier.create(train_data,

validation_data=validation_data)

model.export(export_dir='/mm_flowers1/')

在

mm_flowers

目录中，你现在拥有了一个 TensorFlow Lite 模型和相关的元数据，可以

下载并在你的应用程序中使用，如第 9 章所述。

你会注意到你只是简单地调用了

image_classifier.create

而没有定义任何类型的规

范。这将创建一个使用 EfficientNet 模型作为默认底层模型类型的图像分类器模型。选

择这种模型架构是因为它被认为是最先进的图像分类器，可以处理非常小的模型，因此

对移动设备很有效。你可以在

https://tfhub.dev/google/collections/efficientnet/1

上了解有

关 EfficientNet 的更多信息。

但是，有一系列模型架构称为 MobileNet，顾名思义，它非常适合移动场景。那么，如

果你创建了一个使用 MobileNet 作为底层架构的模型，并将其作为第二个模型会如何

呢？你可以将基于 EfficientNet 的模型部署给你的一些用户，并将基于 MobileNet 的模

型部署给其他用户。然后，你可以测量这些模型的功效，以帮助你决定向所有用户推出

哪一个。

因此，要在 TensorFlow Lite Model ...