1. 研究目的与意义、国内外研究现状（文献综述）
意义：在移动设备上实现机器学习，可以有两种实现方法。一种是在设备上收集数据，传递给云端，服务器执行机器学习任务，最后把结果回传给设备。另一种方法是在终端设备上运行所有功能，包含机器学习模型。采用tensorflow lite开发的应用的优点是反应速度非常快，可以在终端上进行处理，并且可以离线使用。采用tensorflow lite开发的应用将会有的特性和主要研究突破点如下：易用性，支持更多op，根据用户反馈优先处理更多op，op 版本控制和签名，op 内核将获得版本号，op 内核将可以通过签名识别，新转换器，实现新的tensorflow lite 转换器，该转换器将能更好地处理图形转换（即控制流、条件语句等）并取代 toco，继续改进tf select op，支持更多使用tf select（例如哈希表、字符串等）的转换类型，在通过op 剥离使用 tf select op 时支持更小的二进制文件大小，支持长短期记忆(lstm) / 循环神经网络 (rnn)，增加对lstm 和 rnn 的完整转换支持，图形可视化工具，提供增强版图形可视化工具，预处理和后处理支持，针对推理的预处理和后处理提供更多支持，控制流和设备端训练，增加对控制流相关op 的支持，增加对设备端训练的支持，新api，将新的c api 作为语言绑定和大多数客户端的核心，ios 版 objective-c api，ios 版 swift api，更新后的android 版 java api，c# unity 语言绑定，添加更多模型，向网站的支持部分添加更多模型，性能，更多硬件委派，增加对更多硬件委派的支持，支持nn api，持续支持并改进对nn api 的支持，框架可扩展性，通过自定义优化版本支持简便的cpu 内核重写，gpu 委派，继续扩展对opengl 和 metal op 的总支持 op，开源，提升tflite cpu 的性能，优化浮动和量化模型，优化，模型优化工具组，训练后量化 混合内核，训练后量化 定点内核，训练时量化，为更多技术提供更多支持，rnn 支持，稀疏性/ 精简，支持较低位宽，可移植性，微控制器支持，增加对一系列8 位、16 位和 32 位微控制器 (mcu) 架构语音和图像分类用例的支持。
2. 研究的基本内容和问题
研究的目标和内容：
tensorflow lite是tensorflow在移动设备上运行机器学习的跨平台解决方案，具有低延迟、运行时库 (runtime library) 极小等特性，此外还有一系列的工具去转换、调试和优化模型。
采用tensorflow lite开发的应用优点之一是反应速度非常快，比如开发照片处理app，不需要将照片传输到云端，可以直接在终端上处理。优点之二是可以离线使用，这在网络条件比较差的地区尤为重要。
3. 研究的方法与方案
研究方法：进行整合模拟运算
技术路线：tensorflow lite 的移植
4. 研究创新点
运用tensorflow lite 建立自己的模型。
5. 研究计划与进展
研究计划：
构建与训练模型，使用tensorflow构建模型，训练，取得saved model。转换格式，使用tensorflow lite转换器转换为tensorflow lite可用的模型，部署并优化。
