应用错误收集

我拥有：Tensorflow中训练有素的递归神经网络。

我想要的：一个可以尽快运行此网络的移动应用程序（仅限推理模式，无需培训）。

我相信有多种方法可以实现我的目标，但我希望您提供反馈/更正和补充，因为我之前从未这样做过。

Tensorflow Lite 。 Pro：直接向前，可在Android和iOS上使用。 Contra：可能不是最快的方法，对吗？
的 TensorRT 即可。亲：非常快+我可以编写自定义C代码以加快速度。 Contra：用于Nvidia设备，因此没有简单的方法在Android和iOS上运行，对吧？
自定义代码+像openBLAS这样的库。亲：可能非常快，并且可以在iOS上的Android上链接到它（如果我没有记错的话）。 Contra：反复神经网络有多大用处？它在Android + iOS上是否真的有效？
重新实施一切。我还可以用C / C ++重写整个计算，这对于循环神经网络来说应该不会太难。亲：可能是最快的方法，因为我可以优化一切。 Contra：需要很长时间，如果网络发生变化，我也必须更新我的代码（虽然我愿意这样做，如果真的是最快的话）。另外，我在Android上调用库（C / C ++）的速度有多快？我受限于Java接口吗？

有关移动应用程序的一些详细信息。应用程序将对用户进行录音，进行一些处理（如Speech2Text）并输出文本。我不想找到一个“足够快”的解决方案，但是最快的选择，因为这将发生在非常大的声音文件上。因此几乎所有的速度提升都很重你有什么建议，我该如何处理这个问题？

最后一个问题：如果我试图聘请某人帮助我，我应该寻找Android / iOS，Embedded或Tensorflow类型的人吗？

<强> 1。 TensorflowLite

Pro：它在Android上使用GPU优化;很容易合并到Swift/Objective-C app和very easy into Java/Android（只需在gradle.build中添加一行）;您可以将TF模型转换为CoreML

缺点：如果您使用C ++库 - 将TFLite作为库添加到Android / Java-JNI会有一些问题（没有JNI构建此类库的本地方法）; iOS上没有GPU支持（社区适用于MPS集成）

这里也提到了TFLite演讲到文本demo app，它可能很有用。

<强> 2。 TensorRT

它使用TensorRT使用cuDNN，它使用CUDA库。有CUDA for Android，不确定它是否支持整个功能。

第3。自定义代码+库

我建议你使用Android NNet library和CoreML;如果您需要更深入 - 您可以使用Eigen库进行线性代数。但是，编写自己的自定义代码从长远来看并不是有益的，你需要支持/测试/改进它 - 这是一个巨大的交易，比性能更重要。

重新实施一切

此选项与前一个选项非常相似，实现您自己的RNN（LSTM）应该没问题，只要您知道自己在做什么，只需使用其中一个线性代数库（例如Eigen）。

总体建议是：**