Google發布可簡化裝置上TensorFlow Lite模型部署的工具Model Maker

Google發布了一個稱為TensorFlow Lite Model Maker的工具，能使用轉移學習使機器學習模型，適應開發者自定義的資料集。Model Maker使用API封裝了複雜的機器學習概念，讓開發人員僅需要撰寫幾行程式碼，就能以TensorFlow框架訓練模型，並將模型部署到裝置上的人工智慧應用程式。

TensorFlow Lite在2017年時發布，專為邊緣裝置設計的TensorFlow模型預測框架，是TensorFlow的精簡版本，讓開發者可以在行動、物聯網與嵌入式裝置中部署機器學習模型，目前已經被大量部署於全球40億個裝置中，支援Android、iOS以及Linux的物聯網裝置和微控制器。

Model Maker是要讓開發者能夠根據自己的使用案例，自定義預訓練模型，使這些預訓練模型能夠應用開發者的資料集，Model Maker支援TensorFlow Hub上各種可用的模型，同時也包括這次新發布的EfficientNet-Lite、MobileBERT以及ALBERT模型，官方提到，開發者只需要修改一行程式碼，就可以切換使用不同模型基礎架構。Model Make目前支援兩種使用案例，分別是圖像分類以及文字分類。

而官方新發布的EfficientNet-Lite、MobileBERT以及ALBERT三種模型基礎架構，可提供開發者應用於更廣泛的使用案例，解決各式問題。EfficientNet-Lite是一種新型的圖像分類模型，僅需要少量的計算以及參數，就能夠實現高精準度的預測結果；EfficientNet-Lite模型針對TensorFlow Lite進行了最佳化，能以可忽略的精度損失支援量化，並由GPU達到更快速的預測。

MobileBERT則是熱門的BERT模型最佳化版本，BERT模型能夠以高準確性，執行一系列自然語言處理任務，包括問答、自然語言預測等工作，而MobileBERT的執行速度約比BERT還要快4倍，容量更小且可以維持相似的精準度。

另一個新模型ALBERT，同樣是BERT的另一個輕量級版本，是個與TensorFlow Lite相容的版本，官方對模型的大小進行了最佳化，比BERT小6倍，比MobileBERT小1.5倍，但是延遲與BERT相當，也能提供相似的預測精準度。

官方也說明了接下來他們的發展方向，仍然會繼續發布裝置上模型，推出更多模型支援電腦視覺以及自然語言處理的使用案例，同時也會發布新的教學教材與範例，展示在行動裝置上使用C/C++ API進行預測的方法。

Model Maker也會獲得改進，能夠支援更多元的任務，包括物件偵測和更多自然語言處理任務，官方表示，他們要讓沒有機器學習專業的開發人員，可以透過遷移學習來建置新的自然語言處理模型，另外，他們也會擴展元資料和程式碼生成工具，並且與Android Studio和TensorFlow Hub等更多平臺整合。