2.4.1 准备模型

TensorFlow Lite提供了转换TensorFlow模型的工具，还提供了可以在移动端（Mobile）、嵌入式（Embeded）和物联网（IoT）设备上运行TensorFlow模型所需的所有工具。TensorFlow Lite允许在多种设备上运行TensorFlow模型。TensorFlow模型是一种数据结构，这种数据结构包含了在解决一个特定问题时，训练得到的机器学习网络的逻辑和知识。

在TensorFlow Lite程序中，可以通过多种方式获得TensorFlow模型，如使用预训练模型（Pre-Trained Models）和训练自定义的模型等。为了在TensorFlow Lite中使用模型，必须将模型转换成一种特殊格式。

注意：并不是所有的TensorFlow模型都能在TensorFlow Lite中运行，因为解释器只支持部分TensorFlow运算符。

1.使用预训练模型

TensorFlow Lite官方为开发者提供了一系列预训练模型，用于解决各种机器学习问题。官方将这些模型进行了转换处理，这样可以与TensorFlow Lite一起使用，且可以在应用程序中使用。

TensorFlow Lite官方提供的部分预训练模型如下。

· 图像分类模型（Image Classification）。

· 物体检测模型（Object Detection）。

· 智能回复模型（Smart Reply）。

· 姿态估计模型（Pose Estimation）。

· 语义分割模型（Segmentation）。

还可以在模型列表中查看预训练模型的完整列表。

2.使用其他来源的模型

开发者还可以使用其他来源的预训练模型，包括TensorFlow Hub。在大多数情况下，这些模型不会以TensorFlow Lite格式提供，必须在使用前转换这些模型。

TensorFlow Hub是用于存储可重用机器学习资产的仓库，在hub.tensorflow.google.cn仓库中提供了许多预训练模型，如文本嵌入、图像分类模型等。开发者可以从tensorflow_hub库下载资源，并以最少的代码量在TensorFlow程序中重用这些资源。

3.重新训练模型

重新训练模型也叫迁移学习（Transfer Learning），迁移学习允许开发者采用训练好的模型重新训练，以执行其他任务。例如，可以重新训练一个图像分类模型以识别新的图像类别。与从头开始训练的模型相比，重新训练花费的时间更少，所需的数据更少。开发者可以使用迁移学习，根据自己的应用程序定制预训练模型。

4.训练自定义模型

如果要训练自定义的TensorFlow模型，或者训练从其他来源得到的模型，训练前，需要将此模型转换成TensorFlow Lite格式。

TensorFlow Lite解释器是一个库，能够接收一个模型文件，在执行模型文件，需要在输入数据（Input Data）上定义运算符（Operations），并提供对输出（output）的访问。