TensorFlow Lite 2019 年发展蓝图

雷锋网 AI 科技评论按，本文原载于公众号 「TensorFlow」，雷锋网 AI 科技评论获得授权转载。

TensorFlow Lite 2019 年发展蓝图分为四个关键部分：易用性、性能、优化和可移植性。非常欢迎您在 TensorFlow Lite 论坛中评论我们的发展蓝图，并向我们提供反馈。

我们希望您了解一下 TensorFlow Lite 2019 年规划的总体概览，可能会因各种因素而随时变化，并且下列内容的先后顺序并不反映优先次序。从原则上说，我们通常优先解决大多数用户提出的问题，所以此列表基本反映这一点。

易用性

支持更多 op

• 根据用户反馈优先处理更多 op

op 版本控制和签名

• op 内核将获得版本号

• op 内核将可以通过签名识别

新转换器

• 实现新的 TensorFlow Lite 转换器，该转换器将能更好地处理图形转换（即控制流、条件语句等）并取代 TOCO

继续改进 TF Select Op

• 支持更多使用 TF Select（例如哈希表、字符串等）的转换类型

• 在通过 op 剥离使用 TF Select Op 时支持更小的二进制文件大小

支持长短期记忆 (LSTM) / 循环神经网络 (RNN)

• 增加对 LSTM 和 RNN 的完整转换支持

图形可视化工具

• 提供增强版图形可视化工具

预处理和后处理支持

• 针对推理的预处理和后处理提供更多支持

控制流和设备端训练

• 增加对控制流相关 op 的支持

• 增加对设备端训练的支持

新 API

• 将新的 C API 作为语言绑定和大多数客户端的核心

• iOS 版 Objective-C API

• iOS 版 SWIFT API

• 更新后的 Android 版 Java API

• C# Unity 语言绑定

添加更多模型

• 向网站的支持部分添加更多模型

性能

更多硬件委派

• 增加对更多硬件委派的支持

支持 NN API

• 持续支持并改进对 NN API 的支持

框架可扩展性

• 通过自定义优化版本支持简便的 CPU 内核重写

GPU 委派

• 继续扩展对 OpenGL 和 Metal op 的总支持 op

• 开源

提升 TFLite CPU 的性能

• 优化浮动和量化模型

优化

模型优化工具组

• 训练后量化 + 混合内核

• 训练后量化 + 定点内核

• 训练时量化

为更多技术提供更多支持

• RNN 支持.

• 稀疏性 / 精简.

• 支持较低位宽.

可移植性

微控制器支持

• 增加对一系列 8 位、16 位和 32 位微控制器 (MCU) 架构语音和图像分类用例的支持.