Letzte Woche haben Sie TensorFlow Lite kennengelernt und gesehen, wie Sie Ihre Modelle von TensorFlow in das TensorFlow Lite Format konvertieren können. Sie haben auch den eigenständigen TensorFlow Lite Interpreter kennengelernt, der zum Testen dieser Modelle verwendet werden kann. Zum Abschluss haben Sie eine Übung durchgeführt, bei der Sie ein auf Fashion MNIST basierendes Modell in TensorFlow Lite konvertiert und dann mit dem Interpreter getestet haben. In dieser Woche werden Sie sich mit dem ersten der Einsatztypen für diesen Kurs beschäftigen: Android. Android ist ein vielseitiges Betriebssystem, das in einer Reihe von verschiedenen Gerätetypen eingesetzt wird, am häufigsten jedoch in Telefonen, Tablets und TV-Systemen. Mit TensorFlow Lite können Sie Ihre Modelle auf Android laufen lassen, so dass Sie ML auf jeden dieser Gerätetypen bringen können. Es ist zwar hilfreich, einige Konzepte der Android-Programmierung zu verstehen, aber wir hoffen, dass Sie auch ohne diese Vorkenntnisse mitkommen und zumindest die vollständigen Beispiel-Apps ausprobieren können, die wir für die Bildklassifizierung, die Objekterkennung und mehr erkunden werden!

Das andere beliebte mobile Betriebssystem ist natürlich iOS. Diese Woche werden Sie also ganz ähnliche Aufgaben erledigen wie letzte Woche - Sie lernen, wie man Modelle nimmt und sie auf iOS ausführt. Sie benötigen einige Programmierkenntnisse in Swift für iOS, um alles, was wir durchgehen, vollständig zu verstehen. Aber selbst wenn Sie nicht über diese Kenntnisse verfügen, denke ich, dass Ihnen der Inhalt dieser Woche Spaß machen wird - und Sie werden lernen, wie Sie eine Vielzahl von ML-Anwendungen erstellen, die auf diesem wichtigen Betriebssystem laufen!

Nun, da Sie sich TensorFlow Lite angesehen und die Erstellung von Apps auf Android und iOS erkundet haben, die es verwenden, besteht der nächste und letzte Schritt darin, eingebettete Systeme wie den Raspberry Pi zu erkunden und zu lernen, wie Sie Ihre Modelle darauf zum Laufen bringen. Das Schöne daran ist, dass der Pi ein vollwertiges Linux-System ist, auf dem Python laufen kann, so dass Sie entweder das vollständige TensorFlow für Training und Inferenz oder nur den Interpreter für die Inferenz verwenden können. Ich würde Letzteres empfehlen, da das Training auf einem Pi sehr langsam sein kann!