TensorFlow Lite 2019 年發展藍圖

雷鋒網(公衆号：雷鋒網) AI 科技評論按，本文原載于公衆号 「TensorFlow」，雷鋒網 AI 科技評論獲得授權轉載。

TensorFlow Lite 2019 年發展藍圖分為四個關鍵部分：易用性、性能、優化和可移植性。非常歡迎您在 TensorFlow Lite 論壇中評論我們的發展藍圖，并向我們提供回報。

我們希望您了解一下 TensorFlow Lite 2019 年規劃的總體概覽，可能會因各種因素而随時變化，并且下列内容的先後順序并不反映優先次序。從原則上說，我們通常優先解決大多數使用者提出的問題，是以此清單基本反映這一點。

易用性

支援更多 op

根據使用者回報優先處理更多 op

op 版本控制和簽名

op 核心将獲得版本号

op 核心将可以通過簽名識别

新轉換器

實作新的 TensorFlow Lite 轉換器，該轉換器将能更好地處理圖形轉換（即控制流、條件語句等）并取代 TOCO

繼續改進 TF Select Op

支援更多使用 TF Select（例如哈希表、字元串等）的轉換類型

在通過 op 剝離使用 TF Select Op 時支援更小的二進制檔案大小

支援長短期記憶 (LSTM) / 循環神經網絡 (RNN)

增加對 LSTM 和 RNN 的完整轉換支援

圖形可視化工具

提供增強版圖形可視化工具

預處理和後處理支援

針對推理的預處理和後處理提供更多支援

控制流和裝置端訓練

增加對控制流相關 op 的支援

增加對裝置端訓練的支援

新 API

将新的 C API 作為語言綁定和大多數用戶端的核心

iOS 版 Objective-C API

iOS 版 SWIFT API

更新後的 Android 版 Java API

C# Unity 語言綁定

添加更多模型

向網站的支援部分添加更多模型

性能

更多硬體委派

增加對更多硬體委派的支援

支援 NN API

持續支援并改進對 NN API 的支援

架構可擴充性

通過自定義優化版本支援簡便的 CPU 核心重寫

GPU 委派

繼續擴充對 OpenGL 和 Metal op 的總支援 op

開源

提升 TFLite CPU 的性能

優化浮動和量化模型

優化

模型優化工具組

訓練後量化 + 混合核心

訓練後量化 + 定點核心

訓練時量化

為更多技術提供更多支援

RNN 支援

稀疏性 / 精簡

支援較低位寬

可移植性

微控制器支援

增加對一系列 8 位、16 位和 32 位微控制器 (MCU) 架構語音和圖像分類用例的支援

雷鋒網版權文章，未經授權禁止轉載。詳情見轉載須知。