ТенсорФлов Лите је лагано решење које пружа ТенсорФлов за покретање модела машинског учења на мобилним и ИоТ уређајима. Када ТенсорФлов Лите интерпретер обрађује модел препознавања објеката са оквиром са камере мобилног уређаја као улазом, излаз обично укључује неколико фаза да би се на крају обезбедила предвиђања у вези са објектима присутним на слици.
Прво, улазни оквир са камере мобилног уређаја се уноси у ТенсорФлов Лите интерпретер. Тумач затим претходно обрађује улазну слику претварајући је у формат погодан за модел машинског учења. Овај корак препроцесирања обично укључује промену величине слике како би одговарала величини улаза коју очекује модел, нормализацију вредности пиксела и потенцијалну примену других трансформација специфичних за архитектуру модела.
Затим, претходно обрађена слика се прослеђује кроз модел препознавања објеката унутар ТенсорФлов Лите интерпретера. Модел обрађује слику користећи своје научене параметре и архитектуру да генерише предвиђања о објектима присутним у оквиру. Ова предвиђања обично укључују информације као што су ознаке класа откривених објеката, њихове локације на слици и оцене поузданости повезане са сваким предвиђањем.
Када модел направи своја предвиђања, ТенсорФлов Лите интерпретер емитује ове информације у структурираном формату који може да користи апликација која користи модел. Овај излаз може да варира у зависности од специфичних захтева апликације, али обично укључује откривене класе објеката, граничне оквире који оцртавају објекте на слици и повезане оцене поузданости.
На пример, ако је модел за препознавање објеката обучен да детектује уобичајене објекте као што су аутомобили, пешаци и саобраћајни знаци, излаз из ТенсорФлов Лите тумача може укључивати предвиђања као што је „аутомобил“ са граничним оквиром који наводи локацију аутомобила у слику и резултат поузданости који указује на сигурност модела у предвиђању.
Излаз ТенсорФлов Лите интерпретера за модел машинског учења за препознавање објеката који обрађује оквир са камере мобилног уређаја укључује претходну обраду улазне слике, пролазак кроз модел ради закључивања и пружање предвиђања о објектима присутним на слици у структурираном формату погодан за даљу обраду апликацијом.
Остала недавна питања и одговори у вези Основе ЕИТЦ/АИ/ТФФ ТенсорФлов:
- Како се може користити слој за уграђивање да се аутоматски додељују одговарајуће осе за графику представљања речи као вектора?
- Која је сврха максималног удруживања у ЦНН-у?
- Како се процес екстракције обележја у конволуционој неуронској мрежи (ЦНН) примењује на препознавање слика?
- Да ли је неопходно користити функцију асинхроног учења за моделе машинског учења који раде у ТенсорФлов.јс?
- Шта је параметар максималног броја речи за ТенсорФлов Керас Токенизер АПИ?
- Може ли се ТенсорФлов Керас Токенизер АПИ користити за проналажење најчешћих речи?
- Шта је ТОЦО?
- Какав је однос између одређеног броја епоха у моделу машинског учења и тачности предвиђања из покретања модела?
- Да ли АПИ суседа пакета у неуронском структурираном учењу ТенсорФлов-а производи проширени скуп података за обуку заснован на подацима природног графикона?
- Шта је АПИ суседа пакета у Неурално структурираном учењу ТенсорФлов-а?
Погледајте више питања и одговора у ЕИТЦ/АИ/ТФФ ТенсорФлов Фундаменталс