1.3 在移動設(shè)備上構(gòu)建和使用模型

在這里，你看到了一個非常簡單的示例，說明如何從基于規(guī)則的編程過渡到ML以解決問題。但是，如果你無法將解決方案交到用戶手中，那么解決問題就沒有多大用處，而在運行Android或iOS的移動設(shè)備上使用ML模型，你就可以做到這一點！

這是一個復(fù)雜多變的情況，在本書中，我們將通過多種不同的方法讓你更輕松地完成這一任務(wù)。

例如，可能有一個交鑰匙解決方案供你使用，現(xiàn)有模型能為你解決問題，你只想學(xué)習(xí)如何做到這一點。我們將介紹人臉檢測等場景，模型會為你檢測圖片中的人臉，并且你希望將其集成到你的應(yīng)用程序中。

此外，在很多場景中，你不需要從頭開始構(gòu)建模型、搞清楚架構(gòu)以及經(jīng)歷漫長而費力的訓(xùn)練。通常可以使用稱為遷移學(xué)習(xí)的方法，你可以獲取預(yù)先存在的模型并重新調(diào)整它們的用途。例如，大型科技公司和頂尖大學(xué)的研究人員可以獲得你可能無法獲得的數(shù)據(jù)和計算能力，他們已經(jīng)用這些來構(gòu)建模型了。他們已經(jīng)與全世界分享了這些模型，因此這些模型可以被重用和重新調(diào)整。從第2章開始，你將在本書中深入探討這一點。

當(dāng)然，你可能也會遇到需要從頭開始構(gòu)建自己的模型的場景。這可以通過TensorFlow來完成，但我們在這里只會稍微談一下，而不是專注于移動場景。本書的姊妹AI and Machine Learning for Coders會重點關(guān)注該場景，從第一原則教你如何從頭開始構(gòu)建各種場景的模型。