Gerätebasiertes Machine Learning mit TensorFlow Lite

Die Ausführung von Machine-Learning-Modellen auf mobilen und Edge-Geräten erfordert spezielle Techniken, um eine hohe Leistung zu gewährleisten, ohne den Akku zu leeren.Der Übergang von Modellen auf Desktop-Niveau zu ressourcenbeschränkter Hardware ist eine wichtige Fähigkeit für moderne Entwickler. In diesem Kurs lernen Sie die Grundlagen von TensorFlow Lite kennen, um maschinelle Lernmodelle direkt auf iOS- und Android-Plattformen anzupassen, zu optimieren und auszuführen.Sie werden verstehen, wie Sie Modellgrößen verkleinern und gleichzeitig die Genauigkeit beibehalten können, sodass Sie reaktionsschnelle, datenschutzorientierte mobile Anwendungen erstellen können, die vollständig offline ausgeführt werden. Was Sie lernen werden: - Verstehen Sie die Kernarchitektur von TensorFlow Lite und den Workflow für maschinelles Lernen auf dem Gerät - Konvertieren Sie Standard-TensorFlow-Modelle in das optimierte Flatbuffer-Format - Wenden Sie Post-Training-Quantisierungstechniken an, um die Modellgröße dramatisch zu reduzieren und die Inferenz zu beschleunigen - Integrieren Sie optimierte Modelle in Android- und iOS-Anwendungen mit sauberen API-Mustern - Konfigurieren Sie die Hardwaredelegation, um mobile GPUs und neuronale Verarbeitungseinheiten zu nutzen - Implementieren Sie Best Practices für die Verwaltung von Speicher und Akkuverbrauch während der Ausführung auf dem Gerät Der Kurs beginnt mit grundlegenden Konzepten des Edge Computing und der Modellkonvertierung. Anschließend werden Sie Schritt für Schritt durch schriftliche Implementierungen für beide großen mobilen Betriebssysteme geführt. Sie üben die Optimierung von Modellen anhand detaillierter Codebeispiele und strukturierter Optimierungsübungen. Dieser Kurs richtet sich an Softwareentwickler und aufstrebende Machine-Learning-Ingenieure, die ihre Modelle auf mobile Geräte übertragen möchten.Keine vorherige mobile Entwicklung oder fortgeschrittene Hardwareerfahrung ist erforderlich, da wir mit den absoluten Grundlagen gerätebasierter Einschränkungen und Terminologie beginnen. Lesen Sie weiter, um die Lücke zwischen der Theorie des maschinellen Lernens und der mobilen Bereitstellung in der Praxis zu schließen.