La semaine dernière, vous avez découvert TensorFlow Lite et vous avez vu comment convertir vos modèles de TensorFlow au format TensorFlow Lite. Vous avez également découvert l'interpréteur autonome TensorFlow Lite qui peut être utilisé pour tester ces modèles. Vous avez terminé par un exercice qui a converti un modèle Fashion MNIST en TensorFlow Lite et l'a ensuite testé avec l'interpréteur. Cette semaine, vous examinerez le premier des types de déploiement pour ce cours : Android. Android est un système d'exploitation polyvalent qui est utilisé dans un certain nombre de types d'appareils différents, mais le plus souvent des téléphones, des tablettes et des systèmes de télévision. En utilisant TensorFlow Lite, vous pouvez exécuter vos modèles sur Android, ce qui vous permet d'apporter la ML à n'importe lequel de ces types d'appareils. Bien qu'il soit utile de comprendre certains concepts de programmation Android, nous espérons que vous serez en mesure de suivre le cours même si vous ne le comprenez pas, et que vous pourrez au moins essayer les exemples d'applications que nous explorerons pour la classification d'images, la détection d'objets et bien plus encore !

L'autre système d'exploitation mobile populaire est, bien sûr, iOS. Cette semaine, vous effectuerez donc des tâches très similaires à celles de la semaine dernière : vous apprendrez à prendre des modèles et à les exécuter sur iOS. Vous aurez besoin d'un peu d'expérience en programmation avec Swift pour iOS pour bien comprendre tout ce que nous allons voir, mais même si vous n'avez pas cette expertise, je pense que le contenu de cette semaine est quelque chose que vous trouverez amusant d'explorer - et vous apprendrez comment construire une variété d'applications ML qui fonctionnent sur cet important système d'exploitation !

Maintenant que vous avez examiné TensorFlow Lite et exploré la construction d'applications sur Android et iOS qui l'utilisent, la prochaine et dernière étape est d'explorer les systèmes embarqués comme le Raspberry Pi, et d'apprendre comment faire fonctionner vos modèles dessus. L'avantage est que le Pi est un système Linux complet, il peut donc exécuter Python, ce qui vous permet d'utiliser soit TensorFlow complet pour l'apprentissage et l'inférence, soit seulement l'interpréteur pour l'inférence. Je vous recommande cette dernière option, car l'entraînement sur un Pi peut être lent !