Google发布可简化装置上TensorFlow Lite模型部署的工具Model Maker

Google发布了一个称为TensorFlow Lite Model Maker的工具，能使用转移学习使机器学习模型，适应开发者自定义的资料集。Model Maker使用API封装了复杂的机器学习概念，让开发人员仅需要撰写几行程式码，就能以TensorFlow框架训练模型，并将模型部署到装置上的人工智能应用程序。

TensorFlow Lite在2017年时发布，专为边缘装置设计的TensorFlow模型预测框架，是TensorFlow的精简版本，让开发者可以在行动、物联网与嵌入式装置中部署机器学习模型，目前已经被大量部署于全球40亿个装置中，支援Android、iOS以及Linux的物联网装置和微控制器。

Model Maker是要让开发者能够根据自己的使用案例，自定义预训练模型，使这些预训练模型能够应用开发者的资料集，Model Maker支援TensorFlow Hub上各种可用的模型，同时也包括这次新发布的EfficientNet-Lite、MobileBERT以及ALBERT模型，官方提到，开发者只需要修改一行程式码，就可以切换使用不同模型基础架构。Model Make目前支援两种使用案例，分别是图像分类以及文字分类。

而官方新发布的EfficientNet-Lite、MobileBERT以及ALBERT三种模型基础架构，可提供开发者应用于更广泛的使用案例，解决各式问题。EfficientNet-Lite是一种新型的图像分类模型，仅需要少量的计算以及参数，就能够实现高精准度的预测结果；EfficientNet-Lite模型针对TensorFlow Lite进行了最佳化，能以可忽略的精度损失支援量化，并由GPU达到更快速的预测。

MobileBERT则是热门的BERT模型最佳化版本，BERT模型能够以高准确性，执行一系列自然语言处理任务，包括问答、自然语言预测等工作，而MobileBERT的执行速度约比BERT还要快4倍，容量更小且可以维持相似的精准度。

另一个新模型ALBERT，同样是BERT的另一个轻量级版本，是个与TensorFlow Lite相容的版本，官方对模型的大小进行了最佳化，比BERT小6倍，比MobileBERT小1.5倍，但是延迟与BERT相当，也能提供相似的预测精准度。

官方也说明了接下来他们的发展方向，仍然会继续发布装置上模型，推出更多模型支援电脑视觉以及自然语言处理的使用案例，同时也会发布新的教学教材与范例，展示在行动装置上使用C/C++ API进行预测的方法。

Model Maker也会获得改进，能够支援更多元的任务，包括物件侦测和更多自然语言处理任务，官方表示，他们要让没有机器学习专业的开发人员，可以透过迁移学习来建置新的自然语言处理模型，另外，他们也会扩展元资料和程式码生成工具，并且与Android Studio和TensorFlow Hub等更多平台整合。