1.3 在移動設備上構建和使用模型

在這里，你看到了一個非常簡單的示例，說明如何從基于規則的編程過渡到ML以解決問題。但是，如果你無法將解決方案交到用戶手中，那么解決問題就沒有多大用處，而在運行Android或iOS的移動設備上使用ML模型，你就可以做到這一點！

這是一個復雜多變的情況，在本書中，我們將通過多種不同的方法讓你更輕松地完成這一任務。

例如，可能有一個交鑰匙解決方案供你使用，現有模型能為你解決問題，你只想學習如何做到這一點。我們將介紹人臉檢測等場景，模型會為你檢測圖片中的人臉，并且你希望將其集成到你的應用程序中。

此外，在很多場景中，你不需要從頭開始構建模型、搞清楚架構以及經歷漫長而費力的訓練。通常可以使用稱為遷移學習的方法，你可以獲取預先存在的模型并重新調整它們的用途。例如，大型科技公司和頂尖大學的研究人員可以獲得你可能無法獲得的數據和計算能力，他們已經用這些來構建模型了。他們已經與全世界分享了這些模型，因此這些模型可以被重用和重新調整。從第2章開始，你將在本書中深入探討這一點。

當然，你可能也會遇到需要從頭開始構建自己的模型的場景。這可以通過TensorFlow來完成，但我們在這里只會稍微談一下，而不是專注于移動場景。本書的姊妹AI and Machine Learning for Coders會重點關注該場景，從第一原則教你如何從頭開始構建各種場景的模型。