您可以使用多種已訓練的開放原始碼模型，立即搭配 TensorFlow Lite 來完成許多機器學習工作。使用預先訓練的 TensorFlow Lite 模型，您可以快速將機器學習功能新增至行動裝置和邊緣裝置應用程式，而無需建構和訓練模型。本指南協助您尋找並決定要用於 TensorFlow Lite 的已訓練模型。
您可以立即開始瀏覽 TensorFlow Lite 模型，根據 TensorFlow Lite 範例章節中的一般使用案例，或在 TensorFlow Hub 上瀏覽更多模型。
為您的應用程式尋找模型
根據您嘗試完成的工作而定，為您的使用案例尋找現有的 TensorFlow Lite 模型可能很棘手。以下是一些建議的方式，可探索用於 TensorFlow Lite 的模型
依範例：尋找並開始搭配 TensorFlow Lite 使用模型的最快方式，是瀏覽 TensorFlow Lite 範例章節，尋找執行與您的使用案例類似工作的模型。這個簡短的範例目錄提供常用使用案例的模型，其中包含模型說明和範例程式碼，協助您開始執行和使用這些模型。
依資料輸入類型：除了查看與您的使用案例類似的範例之外，探索適合您自己使用的模型的另一種方式是考慮您想要處理的資料類型，例如音訊、文字、圖片或影片資料。機器學習模型通常設計為搭配其中一種資料類型使用，因此尋找處理您想要使用的資料類型的模型可以協助您縮小要考量的模型範圍。在 TensorFlow Hub 上，您可以使用「問題領域」篩選器來檢視模型資料類型並縮小清單範圍。
以下列出 TensorFlow Hub 上用於常見使用案例的 TensorFlow Lite 模型連結
在類似模型之間做選擇
如果您的應用程式遵循常見的使用案例，例如圖片分類或物件偵測，您可能會發現自己需要在多個 TensorFlow Lite 模型之間做決定，這些模型在二進位大小、資料輸入大小、推論速度和預測準確度評級方面各不相同。在多個模型之間做決定時，您應該首先根據您最受限的約束來縮小選項範圍：模型大小、資料大小、推論速度或準確度。
如果您不確定您最受限的約束是什麼，請假設它是模型的大小，並挑選最小的可用模型。挑選小型模型可讓您在可以成功部署和執行模型的裝置方面獲得最大的彈性。較小的模型通常也會產生更快的推論，而更快的預測通常會創造更好的終端使用者體驗。較小的模型通常具有較低的準確度，因此如果預測準確度是您的主要考量，您可能需要挑選較大的模型。
模型來源
使用 TensorFlow Lite 範例章節和 TensorFlow Hub 作為您尋找和選擇用於 TensorFlow Lite 的模型的第一站。這些來源通常具有最新的精選模型，可用於 TensorFlow Lite，並且經常包含範例程式碼，以加速您的開發流程。
TensorFlow 模型
可以將一般 TensorFlow 模型轉換為 TensorFlow Lite 格式。如需轉換模型的詳細資訊，請參閱 TensorFlow Lite Converter 文件。您可以在 TensorFlow Hub 和 TensorFlow Model Garden 中找到 TensorFlow 模型。