TensorFlow Lite 使用 TensorFlow 模型，这些模型被转换为更小、更高效的机器学习 (ML) 模型格式。您可以使用 TensorFlow Lite 的预训练模型，修改现有模型，或构建自己的 TensorFlow 模型，然后将其转换为 TensorFlow Lite 格式。TensorFlow Lite 模型可以执行常规 TensorFlow 模型几乎可以执行的任何任务：目标检测、自然语言处理、模式识别等等，使用各种输入数据，包括图像、视频、音频和文本。
学习路线图
有 TensorFlow 模型吗？
跳到 转换 部分，了解有关让您的模型使用 TensorFlow Lite 运行的信息。需要 TensorFlow Lite 的模型吗？
有关获取适合您用例的模型的指南，请 继续阅读。获取 TensorFlow Lite 的模型
您无需构建 TensorFlow Lite 模型即可开始在移动设备或边缘设备上使用机器学习。许多已经构建和优化的模型可供您立即在应用程序中使用。您可以从在 TensorFlow Lite 中使用预训练模型开始，然后随着时间的推移逐步构建自定义模型，如下所示
- 使用已经 训练好的模型 开始开发机器学习功能。
- 使用 模型制作器 等工具修改现有的 TensorFlow Lite 模型。
- 使用 TensorFlow 工具构建 自定义模型，然后将其 转换为 TensorFlow Lite。
使用模型执行快速任务：ML Kit
如果您尝试使用机器学习快速实现功能或实用程序任务，请在开始使用 TensorFlow Lite 进行开发之前，查看 ML Kit 支持的用例。此开发工具提供您可以直接从移动应用程序调用的 API，以完成常见的 ML 任务，例如条形码扫描和设备上翻译。使用这种方法可以帮助您快速获得结果。但是，ML Kit 在扩展其功能方面选项有限。有关更多信息，请参阅 ML Kit 开发人员文档。
为您的应用程序构建模型：约束
如果您最终目标是为您的特定用例构建自定义模型，您应该从开发和训练 TensorFlow 模型或扩展现有模型开始。在开始模型开发过程之前，您应该了解 TensorFlow Lite 模型的约束，并在构建模型时牢记这些约束。
- 有限的计算能力
- 模型大小
- 数据大小
- 支持的 TensorFlow 操作
有关这些约束的更多详细信息，请参阅模型构建概述中的模型设计约束。有关为 TensorFlow Lite 构建有效、兼容、高性能模型的更多信息，请参阅性能最佳实践。