TensorFlow Lite 是一组工具，可帮助开发者在移动设备、嵌入式设备和 loT 设备上运行模型，以便实现设备端机器学习。
支持多平台
支持多种平台，涵盖 Android 和 iOS 设备、嵌入式 Linux 和微控制器。
原理/流程
工作原理或者使用流程就是上面4步，1）与2）创建或者转换一个TensorFlow Lite 模型；3）部署在手机等终端，使用模型进行推理；4）TensorFlow Lite 提供了优化模型大小（size）和性能（performance）的工具，通常对准确性（accuracy）影响甚微。优化模型可能需要稍微复杂的训练（training），转换（conversion）或集成（integration）。机器学习优化是一个不断发展的领域，TensorFlow Lite 的模型优化工具包（Model Optimization Toolkit）随着新技术的发展而不断发展。
创建 TensorFlow Lite 模型
有如下两种方式创建lite模型：
- 创建 TensorFlow Lite 模型：使用 TensorFlow Lite Model Maker，利用您自己的自定义数据集创建模型。默认情况下，所有模型都包含元数据。
- 将 TensorFlow 模型转换为 TensorFlow Lite 模型：使用 TensorFlow Lite Converter 将 TensorFlow 模型转换为 TensorFlow Lite 模型。在转换过程中，您可以应用量化等优化措施，以缩减模型大小和缩短延时，并最大限度降低或完全避免准确率损失。默认情况下，所有模型都不含元数据。
tensorflow lite组件
- TensorFlow Lite 转换器（TensorFlow Lite Converter）：是一个将训练好的 TensorFlow 模型转换成 TensorFlow Lite 格式的工具。转换模型减小了模型文件大小，并引入了不影响准确性（accuracy）的优化措施（optimizations）
2. TensorFlow Lite 解释器是一个库，该库会接收模型文件，执行它对输入数据定义的运算，并提供对输出的访问。
该解释器（interpreter）适用于多个平台，提供了一个简单的 API，用于从 Java、Swift、Objective-C、C++ 和 Python 运行 TensorFlow Lite 模型。
以下代码展示了从 Java 调用的解释器：
try (Interpreter interpreter = new Interpreter(tensorflow_lite_model_file)) { interpreter.run(input, output); 3.由于 TensorFlow Lite 内置算子库仅支持有限数量的 TensorFlow 算子，所以并非所有模型都可以转换。大多数 TensorFlow Lite 运算都针对的是浮点（float32）和量化（uint8、int8）推断。
4.Delegates 利用GPU和Digital Signal Processor （DSP）等设备加速器，实现TensorFlow Lite模型的硬件加速。
默认情况下，TensorFlow Lite使用针对ARM Neon指令集优化的CPU内核。
模型优化
- 量化的工作原理是降低用于表示模型参数的数字（默认情况为 32 位浮点数）的精度。这样可以获得较小的模型大小和较快的计算速度。
2.剪枝
剪枝的工作原理是移除模型中对其预测影响很小的参数。剪枝后的模型在磁盘上的大小相同，并且具有相同的运行时延迟，但可以更高效地压缩。这使剪枝成为缩减模型下载大小的实用技术。
3.聚类
聚类的工作原理是将模型中每一层的权重归入预定数量的聚类中，然后共享属于每个单独聚类的权重的质心值。这就减少了模型中唯一权重值的数量，从而降低了其复杂性。