Google基於TensorFlow針對移動和嵌入式裝置輕量級的機器學習框架。

• 輕量級

  啟用具有較小二進位制大小並且快速初始化/啟動裝置上機器學習模型。

• 跨平臺

  可以執行設計跑到許多不同的平臺上，從Android和IOS上開始

• 快速

  針對移動裝置進行了優化，包括顯著提高的模型載入時間，並支援硬體加速

目前越來越多的移動裝置採用專用的定製硬體來更有效地處理機器學習工作負載。 TensorFlow Lite支援Android神經​​網路API，可充分利用這些新的加速器。

當加速裝置不支援時，TensorFlow Lite退回到CPU上執行，確保你的模型仍然可以在大量裝置上快速執行。

架構

模組元件：

• TensorFlow Model：儲存在硬碟上一個訓練好的TensorFlow 模型。

• TensorFlow Lite Converter:將模型轉化為TensorFlow Lite檔案格式的程式。

• TensorFlow Lite Model File:對基於FlatBuffers的模型檔案格式做了優化，使其速度最快，規格最小。

TensorFlow Lite Model File 可以部署到移動APP上，在

• Java API : Android上C++API的便捷封裝

• C++ API : 載入TensorFlowLite 模型檔案並呼叫直譯器。在Android和IOS上呼叫同樣的類庫。

• Interpreter : 使用一組運算子來執行模型。直譯器支援選擇操作載入；如果沒有運算子載入，只支援70KB，載入所有的運算子之後為300KB。與TensorFlow Mobile所需的1.5M相比，這是一個明顯的降低（使用一個普通操作符集）。

• 在選擇安卓裝置上，解析器支援Android神經網路API來進行硬體加速。或者預設使用CPU，如果沒有可用的加速器的話

開發者可以使用C++API來實現自定義的kernels。

Models

TensorFlow Lite 在移動裝置已經支援大量的訓練好的模型和優化好的模型。

• 能夠識別1000種不同物件類的視覺模型，在移動裝置和嵌入式裝置上高效執行而設計。

• 影象識別模型，和MobileNet有相似的功能，提供高精度，但相對也是更大

• 裝置會話模型，可以即時回覆聊天訊息。在Android Wear上使用此功能。

Inception v3和MobileNet在ImageNet資料集上訓練。你可以很容易地利用遷移學習對你自己的影象資料集進行再訓練。

博主困了，下面這段不翻譯了

What About TensorFlow Mobile?

As you may know, TensorFlow already supports mobile and embedded deployment of models through the TensorFlow Mobile API. Going forward, TensorFlow Lite should be seen as the evolution of TensorFlow Mobile, and as it matures it will become the recommended solution for deploying models on mobile and embedded devices. With this announcement, TensorFlow Lite is made available as a developer preview, and TensorFlow Mobile is still there to support production apps.

The scope of TensorFlow Lite is large and still under active development. With this developer preview, we have intentionally started with a constrained platform to ensure performance on some of the most important common models. We plan to prioritize future functional expansion based on the needs of our users. The goals for our continued development are to simplify the developer experience, and enable model deployment for a range of mobile and embedded devices.

We are excited that developers are getting their hands on TensorFlow Lite. We plan to support and address our external community with the same intensity as the rest of the TensorFlow project. We can’t wait to see what you can do with TensorFlow Lite.
For more information, check out the TensorFlow Lite documentation pages.
Stay tuned for more updates.
Happy TensorFlow Lite coding!