1.2　TensorFlow Lite和Core ML

尝试亲自使用ML模型数据集并训练模型将有助于阅读本书。这对于迅速深入理解后面章节也很有帮助。这里并不讨论基本的ML算法。相反，我们更注重实践方法。可以从GitHub仓库下载完整的代码库。

本书将会介绍两个框架——TensorFlow Lite和Core ML。这两个框架与Android和iOS紧密结合。我们将会使用TensorFlow Lite查看ML在移动设备上的基本应用。假设读者已了解TensorFlow的基础知识和基本的ML算法，因为本书并不会介绍这些内容。

就像前面说过的那样，现在基本上每个人都会随时携带一部智能手机。我们从设备的传感器中能获得大量数据。除此之外，我们还会从边缘设备中获取数据。在撰写本书的时候，这个分类下已经有将近2300万种设备，包括智能音箱、智能手表以及智能传感器。之前只能应用于昂贵设备上的高端技术现在也可以应用在廉价设备上了。设备的指数级增长为在这些设备上使用ML做好了准备。

虽然在这些设备上运行ML有很多原因，但是最主要的原因是时延性。如果你正在处理视频或者音频，你不希望一直与服务器来来回回地传递数据。另外一个优点是可以在设备离线的时候进行操作。更重要的是，数据一直都在设备上，并且是用户的本地数据。从电池/能量的消耗来说，这也是非常节能的。

虽然这种方法的优点很多，但是也有几个缺点。大部分由电池提供能量的设备的存储空间有限，计算能力不足，还有严格的内存限制。TensorFlow框架并不会解决这些问题，这也是为什么TensorFlow转换为了一种能在这些限制下高效工作的框架。TensorFlow Lite是一个轻量级的并且节省内存和节能的框架，可以运行在造型小巧的嵌入式设备中。