谷歌今天推出了TensorFlowLite1.0，这是一个供开发者在移动设备和物联网设备上部署AI模型的框架。包括在训练期间和之后改进更快和更小模型的选择性配准和量化。量化导致某些模型压缩4倍。

“我们将全力支持。我们不会破坏东西，并确保我们保证它的兼容性。我想很多在手机上部署这个设备的人都想要这些保障。

首先在TensorFlow上训练AI模型，然后转化为创建Lite模型在移动设备上运行。Lite最早是在2017年5月的I/O开发者大会和当年晚些时候的开发者预览大会上推出的。

谷歌的TensorFlowLite团队今天也分享了未来的路线图，旨在减少和加速AI模型的边缘部署，包括模型加速，特别是针对使用神经网络的安卓开发者，以及基于Keras的连接修剪工具包和额外的量化增强。

一个TensorFlow2.0模型转换器，这样Lite模型就会提供给开发人员，让他们更好地了解转换过程中的错误以及如何修复。

在加州桑尼维尔的谷歌办公室举行的TensorFlow发展峰会上，Tensorflowsite工程师Raziealvarez在舞台上说，今天Tensorflowsite被超过20亿台设备部署。

TensorFlowLite越来越使TensorFlowMobile过时。除了那些想用它来训练的用户，阿尔瓦雷z说，一个解决方案正在进行中。

正在探索各种技术来减小AI模型的大小和优化移动设备，例如量化和委托(用于在不同的硬件中实现图形的结构化层以提高推理速度)。

1月开发者预览中提供了移动GPU加速和部分设备的代表；它可以使模型部署速度比浮点CPU快2到7倍。边缘TPU意味着速度可以提高到浮点CPU的64倍。

未来，谷歌计划让GPU代表普遍可用，扩大覆盖范围，最终确定API。

许多本地谷歌应用和服务使用TensorFlowLite，包括GBoard、谷歌照片、AutoML和Nest。当Google Assistant需要离线响应查询时，CPU模型的所有计算现在都由Lite执行。

Lite还可以在RaspberryPI和新的150美元珊瑚开发板等设备上运行，该开发板也于今天早些时候推出。

今天也首次亮相：简化用户体验的tensorflow 2.0 alpha版；TensorFlow.js1.0以及用苹果编程语言Swift编写代码的开发者的TensorFlow0.2版本。

版权说明： 本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

标签：