文章插图
表 2
表 2：偏移量计算策略的内存占用（以 MB 为单位；最佳结果以绿色高亮显示） 。 前 3 行是我们的策略 ， 接下来的 1 行是先前的研究工作 ， 最后 2 行作为基线（下限表示可能无法实现的最佳数字的近似值 ， 而 Naive 表示每个中间张量分配自己的内存缓冲区可能出现的最差数值）
这些针对 CPU 和 GPU 的内存优化 ， 默认情况下已经与最近几个稳定的 TFLite 版本一起提供 ， 并且在支持诸如 MobileBERT 等更高要求、最先进的模型方面证明了它们的价值 。 你可以通过直接查看 GPU 实现和 CPU 实现来找到有关实现的更多详细信息 。
原文链接：
延伸阅读：
跨越重重“障碍” ， 我从 PyTorch 转换为了 TensorFlow Lite-InfoQ
【如何优化 TensorFlow Lite 运行时内存？】关注我并转发此篇文章 ， 私信我“领取资料” ， 即可免费获得InfoQ价值4999元迷你书 ， 点击文末「了解更多」 ， 即可移步InfoQ官网 ， 获取最新资讯～

• 页面|如何简单、快速制作流程图？上班族的画图技巧get
• 培育|跨境电商人才如何培育，长沙有“谱”了
• 抖音小店|抖音进军电商，短视频的商业模式与变现，创业者该如何抓住机遇？
• 计费|5G是如何计费的？
• 车轮旋转|牵引力控制系统是如何工作的？它有什么作用？
• 视频|短视频如何在前3秒吸引用户眼球?
• 优化|微软亚洲研究院发布开源平台“群策 MARO” 用于多智能体资源调度优化
• Vlog|中国Vlog｜中国基建如何升级？看5G+智慧工地
• 涡轮|看法米特涡轮流量计如何让你得心应手
• 手机|OPPO手机该如何截屏？四种最简单的方法已汇总！