文 / 魏巍，TensorFlow技术推广工程师
中国移动 app 开发者的数量和能力众所周知，不仅发布的 app 数量巨大，而且质量也很高，即便在竞争激烈的全球市场上也有众多由中国开发者开发的优秀 app 脱颖而出，在 Google Play 等应用商店的 top 榜单上占据众多席位。
从技术层面来看，中国的 app 开发者也逐步在往智能化发展，将更多的人工智能和机器学习的能力结合到 app 中；同时由于手机和 IoT 设备的处理器越来越强大，而且有更多的机器学习加速器如 DSP，NPU 被植入到手机里，让 app 可以在端侧直接运行机器学习模型。
TensorFlow Lite 就是为了在设备端侧运行机器学习模型而诞生，关于 TensorFlow Lite 的简介，大家可以参考之前我们发布的这篇 文章。目前海内外有成千上万个 app 在使用 TFLite，有超过 40 亿台设备上在运行 TFLite。
为了帮助大家更好的学习和掌握 TensorFlow Lite，我们制作了一系列八集视频教程，并配合相应的 codelab 实操环节。
由 Google 开发技术推广工程师魏巍带领大家，由浅入深的了解 TensorFlow Lite。该系列将从 12 月 9 日起至年底，每周在 Bilibili Google中国 账号更新发布，请记得收藏学习，紧跟学习进度哟。
第一部分
首先是入门系列，无需机器学习背景，只需要一定的 app 开发经验和 Python 经验。
第一集视频当中我们将快速介绍为什么需要关注端侧机器学习，TFLite 如何很好的解决端侧机器学习问题，以及 TFLite 的整体概况。
在了解 TFLite 的整体情况以后，我们将在第二集中使用 Model Maker 这一简单易用的工具来完成一个简单的迁移学习任务，训练一个识别不同花的种类的模型，并将模型导入一个安卓 app 当中从而完成一个完整的 app。
在第三集中我们介绍使用 TFLite 的常见场景（图片分类、目标检测、图片分割、风格迁移、情感分析和文本问答），以及如何获得预训练的 TFLite 模型：
在第四集中我们将通过使用 TFLite Task API 只需要 5 行以内的代码 就可完成常见机器学习任务的模型推理：
第二部分
从第五集开始我们进入第二部分内容的学习，这部分的内容更加深入，需要一定的机器学习背景 ，比如我们会假设你已经知道什么是 training 和 inference。如果你没有相关的背景，建议先去学习 TensorFlow Core 的相关内容以后再回来继续学习下面的内容。
第五集我们将讲解 TFLite 的各个组件：转化器，解释执行器，算子以及硬件加速器接口，并简单介绍 benckmark 性能测试工具：
在第六集中我们将介绍 TF Objection Detection API 。TF Object Detection API 是 TensorFlow 庞大生态系统中的一个重要工具，我们可以用它来训练目标检测模型，再加训练好的模型导出/转化为 TFLite 模型。我们将在这一集中具体展示如何使用 TF Objection Detection API 来训练一个模型来检测橡胶小黄鸭：
第七集中我们将介绍 模型优化工具包 中包含的多个模型优化工具，比如 量化，剪枝 和 权重聚集。使用模型优化工具包我们可以大大提高模型的性能，减小模型的大小：
最后一集中我们将介绍 TFLite delegates。TFLite delegates 是 TFLite 针对手机上各种硬件加速器的接口，使用 delegate 可以让你的模型跑在诸如 GPU/DSP/NPU 上，加快模型运行速度，降低功耗。同时我们还将介绍如何创建一个新的 delegate：
我们希望这个系列的视频教程能够引起大家对 TFLite 的兴趣，帮大家入门 TFLite，从而开发更酷更有意思的 app。如果大家对我们的视频有反馈，欢迎大家留言和评论，我们也会根据大家的反馈改进后续视频的内容。谢谢大家！
此外，我们已经在中国建立了 TFLite 特别兴趣小组，如果您有兴趣加入兴趣小组微信群请扫下面的二维码，如果过期或者群满请添加 ’hustwindmaple’ 手工拉入：
