diff --git a/site/ja/guide/profiler.md b/site/ja/guide/profiler.md
index 71181b709f..e5fc729306 100644
--- a/site/ja/guide/profiler.md
+++ b/site/ja/guide/profiler.md
@@ -561,7 +561,20 @@ for step, train_data in enumerate(dataset):
-| プロファイリング API | ローカル | リモート | 複数 | ハードウェア | : : : : ワーカー : プラットフォーム : | :--------------------------- | :-------- | :-------- | :-------- | :-------- | | **TensorBoard Keras | サポート対象 | サポート | サポート | CPU、GPU | : コールバック** : : 対象外 : 対象外 : : | **`tf.profiler.experimental` | サポート対象 | サポート | サポート | CPU、GPU | : start/stop [API](https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2)** : : 対象外 : 対象外 : : | **`tf.profiler.experimental` | サポート対象 | サポート対象 | サポート対象 | CPU、GPU, | : client.trace [API](https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2)** : : : : TPU : | **コンテキストマネージャ API** | サポート対象 | サポート | サポート | CPU、GPU | : : : 対象外 : 対象外 : :
+| プロファイリング API | ローカル | リモート | 複数 | ハードウェア |
+: : : : ワーカー : プラットフォーム :
+| :----------------------------- | :----------- | :----------- | :----------- | :-------- |
+| **TensorBoard Keras | サポート対象 | サポート | サポート | CPU、GPU |
+: コールバック** : : 対象外 : 対象外 : :
+| **`tf.profiler.experimental` | サポート対象 | サポート | サポート | CPU、GPU |
+: start/stop [API][API_0]** : : 対象外 : 対象外 : :
+ **`tf.profiler.experimental` | サポート対象 | サポート対象 | サポート対象 | CPU、GPU, |
+: client.trace [API][API_1]** : : : : TPU :
+| **コンテキストマネージャ API** | サポート対象 | サポート | サポート | CPU、GPU |
+: : : 対象外 : 対象外 : :
+
+[API_0]: https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2
+[API_1]: https://www.tensorflow.org/api_docs/python/tf/profiler/experimental/client/trace
diff --git a/site/ja/lite/android/development.md b/site/ja/lite/android/development.md
index 63717df91e..2325c745cb 100644
--- a/site/ja/lite/android/development.md
+++ b/site/ja/lite/android/development.md
@@ -82,21 +82,21 @@ dependencies {
### ライブラリに対応する最低 Android SDK バージョン
-ライブラリ | `minSdkVersion` | デバイス要件
---- | --- | ---
-tensorflow-lite | 19 | NNAPI の使用が必要
-: : : API 27+ : | |
-tensorflow-lite-gpu | 19 | GLES 3.1 または OpenCL
-: : : （通常 : | |
-: : : API 21+ のみで利用可 : | |
-tensorflow-lite-hexagon | 19 | -
-tensorflow-lite-support | 19 | -
-tensorflow-lite-task-vision | 21 | android.graphics.Color
-: : : 関連 API が必要 : | |
-: : : API 26+ : | |
-tensorflow-lite-task-text | 21 | -
-tensorflow-lite-task-audio | 23 | -
-tensorflow-lite-metadata | 19 | -
+| ライブラリ | `minSdkVersion` | デバイス要件 |
+| --------------------------- | --------------- | ---------------------- |
+| tensorflow-lite | 19 | NNAPI の使用が必要 |
+: : : API 27+ :
+| tensorflow-lite-gpu | 19 | GLES 3.1 または OpenCL |
+: : : （通常 :
+: : : API 21+ のみで利用可 :
+| tensorflow-lite-hexagon | 19 | - |
+| tensorflow-lite-support | 19 | - |
+| tensorflow-lite-task-vision | 21 | android.graphics.Color |
+: : : 関連 API が必要 :
+: : : API 26+ :
+| tensorflow-lite-task-text | 21 | - |
+| tensorflow-lite-task-audio | 23 | - |
+| tensorflow-lite-metadata | 19 | - |
### Android Studio の使用
diff --git a/site/ja/lite/guide/build_arm.md b/site/ja/lite/guide/build_arm.md
index 13b28c7890..780bdbc494 100644
--- a/site/ja/lite/guide/build_arm.md
+++ b/site/ja/lite/guide/build_arm.md
@@ -23,12 +23,12 @@ CMake プロジェクトがある場合、またはカスタムツールチェ
Bazel プロジェクトがある場合、または TF 演算を使用する場合は、Bazel ビルドシステムの使用が推奨されます。ARM32/64 共有ライブラリを構築するには、統合されている [ARM GCC 8.3 ツールチェーン](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/toolchains/embedded/arm-linux)を Bazel を使用します。
-ターゲットアーキテクチャ | Bazel 構成 | 対応デバイス
---- | --- | ---
-armhf（ARM32） | --config=elinux_armhf | RPI3、32ビットの RPI4
-: : : Raspberry Pi OS : | |
-AArch64（ARM64） | --config=elinux_aarch64 | Coral、Ubuntu 64ビット の RPI4
-: : : bit : | |
+| ターゲットアーキテクチャ | Bazel 構成 | 対応デバイス |
+| ------------------------ | ----------------------- | ------------------------------ |
+| armhf（ARM32） | --config=elinux_armhf | RPI3、32ビットの RPI4 |
+: : : Raspberry Pi OS :
+| AArch64（ARM64） | --config=elinux_aarch64 | Coral、Ubuntu 64ビット の RPI4 |
+: : : bit :
注: 生成された共有ライブラリを実行するには、glibc 2.28 以降が必要です。
diff --git a/site/ja/lite/guide/build_cmake.md b/site/ja/lite/guide/build_cmake.md
index b387fbb0eb..6cd3584ffb 100644
--- a/site/ja/lite/guide/build_cmake.md
+++ b/site/ja/lite/guide/build_cmake.md
@@ -181,19 +181,19 @@ cmake --build . -j -t label_image
使用可能なオプションは次のとおりです。`-D=[ON|OFF]` でオーバーライドできます。たとえば、`-DTFLITE_ENABLE_XNNPACK=OFF` を使用すると、既定で有効な XNNPACK が無効になります。
-オプション名 | 機能 | Android | Linux | macOS | Windows
---- | --- | --- | --- | --- | ---
-`TFLITE_ENABLE_RUY` | RUY を有効にする | ON | OFF | OFF | OFF
-: : matrix : : : : : | | | | |
-: : multiplication : : : : : | | | | |
-: : library : : : : : | | | | |
-`TFLITE_ENABLE_NNAPI` | NNAPI を有効にする | ON | OFF | N/A | N/A
-: : delegate : : : : : | | | | |
-`TFLITE_ENABLE_GPU` | GPU を有効にする | OFF | OFF | N/A | N/A
-: : delegate : : : : : | | | | |
-`TFLITE_ENABLE_XNNPACK` | XNNPACK を有効にする | ON | ON | ON | ON
-: : delegate : : : : : | | | | |
-`TFLITE_ENABLE_MMAP` | MMAP を有効にする | ON | ON | ON | N/A
+| オプション名 | 機能 | Android | Linux | macOS | Windows |
+| ----------------------- | -------------------- | ------- | ----- | ----- | ------- |
+| `TFLITE_ENABLE_RUY` | RUY を有効にする | ON | OFF | OFF | OFF |
+: : matrix : : : : :
+: : multiplication : : : : :
+: : library : : : : :
+| `TFLITE_ENABLE_NNAPI` | NNAPI を有効にする | ON | OFF | N/A | N/A |
+: : delegate : : : : :
+| `TFLITE_ENABLE_GPU` | GPU を有効にする | OFF | OFF | N/A | N/A |
+: : delegate : : : : :
+| `TFLITE_ENABLE_XNNPACK` | XNNPACK を有効にする | ON | ON | ON | ON |
+: : delegate : : : : :
+| `TFLITE_ENABLE_MMAP` | MMAP を有効にする | ON | ON | ON | N/A |
## TensorFlow Lite を使用する CMake プロジェクトの作成
diff --git a/site/ja/lite/models/convert/metadata.md b/site/ja/lite/models/convert/metadata.md
index 46d016499d..b12b381043 100644
--- a/site/ja/lite/models/convert/metadata.md
+++ b/site/ja/lite/models/convert/metadata.md
@@ -64,58 +64,58 @@ TensorFlow Lite モデルにはさまざまな関連ファイルが含まれる
前処理と後処理の観点では、正規化と量子化は 2 つの独立したステップです。次に詳細を示します。
- | 正規化 | Quantization
-:-: | --- | ---
-\ | **Float モデル**: \ | **Float モデル**: \
-: An example of the : - mean: 127.5 \ : - zeroPoint: 0 \ : | |
-: parameter values of the : - std: 127.5 \ : - scale: 1.0 \ : | |
-: input image in : **Quant model**: \ : **Quant model**: \ : | |
-: MobileNet for float and : - mean: 127.5 \ : - zeroPoint: 128.0 \ : | |
-: quant models, : - std: 127.5 : - scale:0.0078125f \ : | |
-: respectively. : : : | |
-\ | \ | **浮動小数点数モデル**
-: \ : \ : not need quantization. \ : | |
-: \ : **Inputs**: If input : **Quantized model** may : | |
-: \ : data is normalized in : or may not need : | |
-: When to invoke? : training, the input : quantization in pre/post : | |
-: : data of inference needs : processing. It depends : | |
-: : to be normalized : on the datatype of : | |
-: : accordingly. \ : input/output tensors. \ : | |
-: : **Outputs**: output : - float tensors: no : | |
-: : data will not be : quantization in pre/post : | |
-: : normalized in general. : processing needed. Quant : | |
-: : : op and dequant op are : | |
-: : : baked into the model : | |
-: : : graph. \ : | |
-: : : - int8/uint8 tensors: : | |
-: : : need quantization in : | |
-: : : pre/post processing. : | |
-\ | \ | **入力の量子化**:
-: \ : \ : \ : | |
-: Formula : normalized_input = : q = f / scale + : | |
-: : (input - mean) / std : zeroPoint \ : | |
-: : : **Dequantize for : | |
-: : : outputs**: \ : | |
-: : : f = (q - zeroPoint) * : | |
-: : : scale : | |
-\ | モデル作成者が提出 | 自動的に提出
-: Where are the : and stored in model : TFLite converter, and : | |
-: parameters : metadata, as : stored in tflite model : | |
-: : `NormalizationOptions` : file. : | |
-How to get the | 方法 | Through the TFLite
-: parameters? : `MetadataExtractor` API : `Tensor` API [1] or : | |
-: : [2] : through the : | |
-: : : `MetadataExtractor` API : | |
-: : : [2] : | |
-Do float and quant | Yes, float and quant | No, the float model does
-: models share the same : models have the same : not need quantization. : | |
-: value? : Normalization : : | |
-: : parameters : : | |
-Does TFLite Code | \ | \
-: generator or Android : Yes : Yes : | |
-: Studio ML binding : : : | |
-: automatically generate : : : | |
-: it in data processing? : : : | |
+| | 正規化 | 量子化 |
+| :---------------------: | ----------------------- | ------------------------ |
+| \ | **Float モデル**: \ | **Float モデル**: \ |
+: An example of the : - mean\: 127.5 \ : - zeroPoint\: 0 \ :
+: parameter values of the : - std\: 127.5 \ : - scale\: 1.0 \ :
+: input image in : **Quant model**\: \ : **Quant model**\: \ :
+: MobileNet for float and : - mean\: 127.5 \ : - zeroPoint\: 128.0 \ :
+: quant models, : - std\: 127.5 : - scale\:0.0078125f \ :
+: respectively. : : :
+| \ | \ | **浮動小数点数モデル** |
+: \ : \ : not need quantization. \ :
+: \ : **Inputs**\: If input : **Quantized model** may :
+: \ : data is normalized in : or may not need :
+: When to invoke? : training, the input : quantization in pre/post :
+: : data of inference needs : processing. It depends :
+: : to be normalized : on the datatype of :
+: : accordingly. \ : input/output tensors. \ :
+: : **Outputs**\: output : - float tensors\: no :
+: : data will not be : quantization in pre/post :
+: : normalized in general. : processing needed. Quant :
+: : : op and dequant op are :
+: : : baked into the model :
+: : : graph. \ :
+: : : - int8/uint8 tensors\: :
+: : : need quantization in :
+: : : pre/post processing. :
+| \ | \ | **入力の量子化**: |
+: \ : \ : \ :
+: Formula : normalized_input = : q = f / scale + :
+: : (input - mean) / std : zeroPoint \ :
+: : : **Dequantize for :
+: : : outputs**\: \ :
+: : : f = (q - zeroPoint) * :
+: : : scale :
+| \ | Filled by model creator | Filled automatically by
+: Where are the : and stored in model : TFLite converter, and :
+: parameters : metadata, as : stored in tflite model :
+: : `NormalizationOptions` : file. :
+| How to get the | Through the | Through the TFLite |
+: parameters? : `MetadataExtractor` API : `Tensor` API [1] or :
+: : [2] : through the :
+: : : `MetadataExtractor` API :
+: : : [2] :
+| Do float and quant | Yes, float and quant | No, the float model does |
+: models share the same : models have the same : not need quantization. :
+: value? : Normalization : :
+: : parameters : :
+| Does TFLite Code | \ | \ |
+: generator or Android : Yes : Yes :
+: Studio ML binding : : :
+: automatically generate : : :
+: it in data processing? : : :
[1] [TensorFlow Lite Java API](https://github.com/tensorflow/tensorflow/blob/09ec15539eece57b257ce9074918282d88523d56/tensorflow/lite/java/src/main/java/org/tensorflow/lite/Tensor.java#L73) および [TensorFlow Lite C++ API](https://github.com/tensorflow/tensorflow/blob/09ec15539eece57b257ce9074918282d88523d56/tensorflow/lite/c/common.h#L391)。
[2] [メタデータ抽出ライブラリ](../guide/codegen.md#read-the-metadata-from-models)
diff --git a/site/ja/lite/performance/post_training_quantization.md b/site/ja/lite/performance/post_training_quantization.md
index bf63cd7943..f8f01acc44 100644
--- a/site/ja/lite/performance/post_training_quantization.md
+++ b/site/ja/lite/performance/post_training_quantization.md
@@ -8,14 +8,14 @@
トレーニング後の量子化にはいくつか選択肢があります。以下は選択肢の概要の一覧表とその効果です。
-手法 | 効果 | ハードウェア
---- | --- | ---
-ダイナミックレンジ | 4倍小型化、2～3倍高速化 | CPU
-: 量子化 : : : | |
-完全な整数 | 4倍小型化、3倍以上高速化 | CPU、Edge TPU、
-: 量子化 : : マイクロコントローラ : | |
-半精度浮動小数点数の量子化 | 2倍小型化、GPU | CPU、GPU
-: : アクセラレーション : : | |
+| 手法 | 効果 | ハードウェア |
+| -------------------------- | ------------------------ | -------------------- |
+| ダイナミックレンジ | 4倍小型化、2～3倍高速化 | CPU |
+: 量子化 : : :
+| 完全な整数 | 4倍小型化、3倍以上高速化 | CPU、Edge TPU、 |
+: 量子化 : : マイクロコントローラ :
+| 半精度浮動小数点数の量子化 | 2倍小型化、GPU | CPU、GPU |
+: : アクセラレーション : :
この決定木は、ユースケースに最適なトレーニング後の量子化手法を選択するのに役立ちます。
diff --git a/site/ko/guide/profiler.md b/site/ko/guide/profiler.md
index fb057a4d75..6ae44f5c39 100644
--- a/site/ko/guide/profiler.md
+++ b/site/ko/guide/profiler.md
@@ -561,7 +561,20 @@ Profiler는 4가지 축을 따라 여러 가지 사용 사례를 다룹니다.
-| 프로파일링 API | 로컬 | 원격 | 다중 | 하드웨어 | : : : : 작업자 : 플랫폼 : | :--------------------------- | :-------- | :-------- | :-------- | :-------- | | **TensorBoard Keras | 지원됨 | 아님 | 아님 | CPU, GPU | : Callback** : : 지원됨 : 지원됨 : : | **`tf.profiler.experimental` | 지원됨 | 아님 | 아님 | CPU, GPU | : start/stop [API](https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2)** : : 지원됨 : 지원됨 : : | **`tf.profiler.experimental` | 지원됨 | 지원됨 | 지원됨 | CPU, GPU, | : client.trace [API](https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2)** : : : : TPU : | **Context manager API** | 지원됨 | 아님 | 아님 | CPU, GPU | : : : 지원됨 : 지원됨 : :
+| 프로파일링 API | 로컬 | 원격 | 다중 | 하드웨어 |
+: : : : 작업자 : 플랫폼 :
+| :--------------------------- | :----- | :----- | :----- | :-------- |
+| **TensorBoard Keras | 지원됨 | 아님 | 아님 | CPU, GPU |
+: Callback** : : 지원됨 : 지원됨 : :
+| **`tf.profiler.experimental` | 지원됨 | 아님 | 아님 | CPU, GPU |
+: start/stop [API][API_0]** : : 지원됨 : 지원됨 : :
+| **`tf.profiler.experimental` | 지원됨 | 지원됨 | 지원됨 | CPU, GPU, |
+: client.trace [API][API_1]** : : : : TPU :
+| **Context manager API** | 지원됨 | 아님 | 아님 | CPU, GPU |
+: : : 지원됨 : 지원됨 : :
+
+[API_0]: https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2
+[API_1]: https://www.tensorflow.org/api_docs/python/tf/profiler/experimental/client/trace
diff --git a/site/ko/lite/android/development.md b/site/ko/lite/android/development.md
index 029d2e794b..5c048a1c97 100644
--- a/site/ko/lite/android/development.md
+++ b/site/ko/lite/android/development.md
@@ -82,21 +82,21 @@ dependencies {
### 라이브러리용 최소 Android SDK 버전
-라이브러리 | `minSdkVersion` | 장치 요구 사항
---- | --- | ---
-tensorflow-lite | 19 | NNAPI 사용 필요
-: : : API 27+ : | |
-tensorflow-lite-gpu | 19 | GLES 3.1 또는 OpenCL
-: : : (일반적으로 유일 : | |
-: : : API 21+에서 사용 가능 : | |
-tensorflow-lite-hexagon | 19 | -
-tensorflow-lite-support | 19 | -
-tensorflow-lite-task-vision | 21 | android.graphics.Color
-: : : 관련 API 필요 : | |
-: : : API 26+ : | |
-tensorflow-lite-task-text | 21 | -
-tensorflow-lite-task-audio | 23 | -
-tensorflow-lite-metadata | 19 | -
+| 라이브러리 | `minSdkVersion` | 장치 요구 사항 |
+| --------------------------- | --------------- | ---------------------- |
+| tensorflow-lite | 19 | NNAPI 사용 필요 |
+: : : API 27+ :
+| tensorflow-lite-gpu | 19 | GLES 3.1 또는 OpenCL |
+: : : (일반적으로 유일 :
+: : : API 21+에서 사용 가능 :
+| tensorflow-lite-hexagon | 19 | - |
+| tensorflow-lite-support | 19 | - |
+| tensorflow-lite-task-vision | 21 | android.graphics.Color |
+: : : 관련 API 필요 :
+: : : API 26+ :
+| tensorflow-lite-task-text | 21 | - |
+| tensorflow-lite-task-audio | 23 | - |
+| tensorflow-lite-metadata | 19 | - |
### Android Studio 사용하기
diff --git a/site/ko/lite/examples/text_classification/overview.md b/site/ko/lite/examples/text_classification/overview.md
index abc5e715cc..75a768456b 100644
--- a/site/ko/lite/examples/text_classification/overview.md
+++ b/site/ko/lite/examples/text_classification/overview.md
@@ -71,11 +71,11 @@ Android이외의 플랫폼을 사용 중이거나 TensorFlow Lite API에 이미
## 예제 출력
-본문 | 부정적 (0) | 긍정적 (1)
---- | --- | ---
-이 영화는 내가 최근에 본 것 중 최고입니다 | 25.3 % | 74.7 %
-: 년. 강력히 추천합니다! : : : | |
-내 시간 낭비입니다. | 72.5 % | 27.5 %
+| 본문 | 부정적 (0) | 긍정적 (1) |
+| ------------------------------------------ | ---------- | ---------- |
+| This is the best movie I’ve seen in recent | 25.3 % | 74.7 % |
+: years. Strongly recommend it! : : :
+| What a waste of my time. | 72.5 % | 27.5 % |
## 훈련 데이터세트 사용하기
diff --git a/site/ko/lite/guide/build_arm.md b/site/ko/lite/guide/build_arm.md
index 8fe77d774b..53a79e3142 100644
--- a/site/ko/lite/guide/build_arm.md
+++ b/site/ko/lite/guide/build_arm.md
@@ -23,12 +23,12 @@ CMake 프로젝트가 있거나 사용자 정의 툴체인을 사용하려는
Bazel 프로젝트가 있거나 TF op를 사용하려는 경우, Bazel 빌드 시스템을 사용하는 것이 좋습니다. Bazel과 통합된 [ARM GCC 8.3 툴체인](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/toolchains/embedded/arm-linux)을 사용하여 ARM32/64 공유 라이브러리를 빌드합니다.
-대상 아키텍처 | Bazel 구성 | 호환 기기
---- | --- | ---
-armhf (ARM32) | --config=elinux_armhf | RPI3, 32bit RPI4
-: : : Raspberry Pi OS : | |
-AArch64 (ARM64) | --config=elinux_aarch64 | Coral, Ubuntu 64가 설치된 RPI4
-: : : bit : | |
+| 대상 아키텍처 | Bazel 구성 | 호환 기기 |
+| --------------- | ----------------------- | ------------------------------ |
+| armhf (ARM32) | --config=elinux_armhf | RPI3, 32bit RPI4 |
+: : : Raspberry Pi OS :
+| AArch64 (ARM64) | --config=elinux_aarch64 | Coral, Ubuntu 64가 설치된 RPI4 |
+: : : bit :
참고: 생성된 공유 라이브러리를 실행하려면 glibc 2.28 이상이 필요합니다.
diff --git a/site/ko/lite/guide/build_cmake.md b/site/ko/lite/guide/build_cmake.md
index 9c6f83e3d5..8d36e0cbc4 100644
--- a/site/ko/lite/guide/build_cmake.md
+++ b/site/ko/lite/guide/build_cmake.md
@@ -178,19 +178,19 @@ cmake --build . -j -t label_image
다음은 사용 가능한 옵션 목록입니다. `-D=[ON|OFF]`로 재정의 가능합니다. 예를 들어 `-DTFLITE_ENABLE_XNNPACK=OFF`는 기본적으로 활성화된 XNNPACK을 비활성화합니다.
-옵션 이름 | 기능 | Android | 리눅스 | macOS | Windows
---- | --- | --- | --- | --- | ---
-TFLITE_ENABLE_RUY | RUY 활성화 | ON | OFF | OFF | OFF
-: : matrix : : : : : | | | | |
-: : multiplication : : : : : | | | | |
-: : library : : : : : | | | | |
-TFLITE_ENABLE_NNAPI | NNAPI 활성화 | ON | OFF | 해당 없음 | 해당 없음
-: : delegate : : : : : | | | | |
-TFLITE_ENABLE_GPU | GPU 활성화 | OFF | OFF | 해당 없음 | 해당 없음
-: : delegate : : : : : | | | | |
-TFLITE_ENABLE_XNNPACK | XNNPACK 활성화 | ON | ON | ON | ON
-: : delegate : : : : : | | | | |
-TFLITE_ENABLE_MMAP | MMAP 활성화 | ON | ON | ON | 해당 없음
+| 옵션 이름 | 기능 | Android | 리눅스 | macOS | Windows |
+| ----------------------- | -------------- | ------- | ------ | --------- | --------- |
+| `TFLITE_ENABLE_RUY` | RUY 활성화 | ON | OFF | OFF | OFF |
+: : matrix : : : : :
+: : multiplication : : : : :
+: : library : : : : :
+| `TFLITE_ENABLE_NNAPI` | NNAPI 활성화 | ON | OFF | 해당 없음 | 해당 없음 |
+: : delegate : : : : :
+| `TFLITE_ENABLE_GPU` | GPU 활성화 | OFF | OFF | 해당 없음 | 해당 없음 |
+: : delegate : : : : :
+| `TFLITE_ENABLE_XNNPACK` | XNNPACK 활성화 | ON | ON | ON | ON |
+: : delegate : : : : :
+| `TFLITE_ENABLE_MMAP` | MMAP 활성화 | ON | ON | ON | 해당 없음 |
## TensorFlow Lite를 사용하는 CMake 프로젝트 만들기
diff --git a/site/ko/lite/performance/post_training_quantization.md b/site/ko/lite/performance/post_training_quantization.md
index db83c15d9e..74e1120f2b 100644
--- a/site/ko/lite/performance/post_training_quantization.md
+++ b/site/ko/lite/performance/post_training_quantization.md
@@ -8,14 +8,14 @@
선택할 수 있는 몇 가지 훈련 후 양자화 옵션이 있습니다. 다음은 선택 항목과 선택 항목이 제공하는 이점에 대한 요약표입니다.
-기술 | 이점 | 하드웨어
---- | --- | ---
-동적 범위 | 4배 작아짐, 2배-3배 속도 향상 | CPU
-: 양자화 : : : | |
-전체 정수 | 4배 더 작게, 3배 이상의 속도 향상 | CPU, 에지 TPU
-: 양자화 : : 마이크로 컨트롤러 : | |
-Float16 양자화 | 2배 더 작아진 GPU | CPU, GPU
-: : 가속 : : | |
+| 기술 | 이점 | 하드웨어 |
+| -------------- | --------------------------------- | ----------------- |
+| 동적 범위 | 4배 작아짐, 2배-3배 속도 향상 | CPU |
+: 양자화 : : :
+| 전체 정수 | 4배 더 작게, 3배 이상의 속도 향상 | CPU, 에지 TPU |
+: 양자화 : : 마이크로 컨트롤러 :
+| Float16 양자화 | 2배 더 작아진 GPU | CPU, GPU |
+: : 가속 : :
다음 의사 결정 트리는 사용 사례에 가장 적합한 훈련 후 양자화 메서드를 결정하는 데 도움이 될 수 있습니다.
diff --git a/site/zh-cn/guide/profiler.md b/site/zh-cn/guide/profiler.md
index 380201d106..127fe9515c 100644
--- a/site/zh-cn/guide/profiler.md
+++ b/site/zh-cn/guide/profiler.md
@@ -561,7 +561,20 @@ Profiler 在四个不同的轴上涵盖了许多用例。目前已支持部分
-| 性能剖析 API | 本地 | 远程 | 多 | 硬件 | : : : : 工作进程 : 平台 : | :--------------------------- | :-------- | :-------- | :-------- | :-------- | | **TensorBoard Keras | 支持 | 不 | 不 | CPU、GPU | : Callback** : : 支持 : 支持 : : | **`tf.profiler.experimental` | 支持 | Not | 不 | CPU、GPU | : start/stop [API](https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2)** : : 支持 : 支持 : : | **`tf.profiler.experimental` | 支持 | 支持 | 支持 | CPU、GPU、| : client.trace [API](https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2)** : : : : TPU : | **Context manager API** | 支持 | 不 | 不 | CPU、GPU | : : : 支持 : 支持 : :
+| 性能剖析 API | 本地 | 远程 | 多 | 硬件 |
+: : : : 工作进程 : 平台 :
+| :--------------------------- | :--- | :--- | :------- | :--------- |
+| **TensorBoard Keras | 支持 | 不 | 不 | CPU、GPU |
+: Callback** : : 支持 : 支持 : :
+| **`tf.profiler.experimental` | 支持 | 不 | 不 | CPU、GPU |
+: start/stop [API][API_0]** : : 支持 : 支持 : :
+| **`tf.profiler.experimental` | 支持 | 支持 | 支持 | CPU、GPU、 |
+: client.trace [API][API_1]** : : : : TPU :
+| **Context manager API** | 支持 | 不 | 不 | CPU、GPU |
+: : : 支持 : 支持 : :
+
+[API_0]: https://www.tensorflow.org/api_docs/python/tf/profiler/experimental#functions_2
+[API_1]: https://www.tensorflow.org/api_docs/python/tf/profiler/experimental/client/trace
diff --git a/site/zh-cn/lite/android/development.md b/site/zh-cn/lite/android/development.md
index 613be36d11..1a2de80fea 100644
--- a/site/zh-cn/lite/android/development.md
+++ b/site/zh-cn/lite/android/development.md
@@ -82,21 +82,21 @@ dependencies {
### 用于库的最低 Android SDK 版本
-库 | `minSdkVersion` | 设备要求
---- | --- | ---
-tensorflow-lite | 19 | NNAPI 使用要求
-: : : API 27+ : | |
-tensorflow-lite-gpu | 19 | GLES 3.1 或 OpenCL
-: : : （通常仅） : | |
-: : : 适用于 API 21+ : | |
-tensorflow-lite-hexagon | 19 | -
-tensorflow-lite-support | 19 | -
-tensorflow-lite-task-vision | 21 | android.graphics.Color
-: : : 相关 API 要求 : | |
-: : : API 26+ : | |
-tensorflow-lite-task-text | 21 | -
-tensorflow-lite-task-audio | 23 | -
-tensorflow-lite-metadata | 19 | -
+| 库 | `minSdkVersion` | 设备要求 |
+| --------------------------- | --------------- | ---------------------- |
+| tensorflow-lite | 19 | NNAPI 使用要求 |
+: : : API 27+ :
+| tensorflow-lite-gpu | 19 | GLES 3.1 或 OpenCL |
+: : : （通常仅 :
+: : : 适用于 API 21+ :
+| tensorflow-lite-hexagon | 19 | - |
+| tensorflow-lite-support | 19 | - |
+| tensorflow-lite-task-vision | 21 | android.graphics.Color |
+: : : 相关 API 要求 :
+: : : API 26+ :
+| tensorflow-lite-task-text | 21 | - |
+| tensorflow-lite-task-audio | 23 | - |
+| tensorflow-lite-metadata | 19 | - |
### 使用 Android Studio
diff --git a/site/zh-cn/lite/examples/text_classification/overview.md b/site/zh-cn/lite/examples/text_classification/overview.md
index 66b9041f18..c928869a56 100644
--- a/site/zh-cn/lite/examples/text_classification/overview.md
+++ b/site/zh-cn/lite/examples/text_classification/overview.md
@@ -71,11 +71,11 @@
## 示例输出
-Text | Negative (0) | Positive (1)
---- | --- | ---
-This is the best movie I’ve seen in recent | 25.3% | 74.7%
-: years. Strongly recommend it! : : : | |
-What a waste of my time. | 72.5% | 27.5%
+| 文本 | 负面 (0) | 正面 (1) |
+| ------------------------------------------ | -------- | -------- |
+| This is the best movie I’ve seen in recent | 25.3% | 74.7% |
+: years. Strongly recommend it! : : :
+| What a waste of my time. | 72.5% | 27.5% |
## 使用训练数据集
diff --git a/site/zh-cn/lite/guide/build_arm.md b/site/zh-cn/lite/guide/build_arm.md
index e7630195c6..24a476008d 100644
--- a/site/zh-cn/lite/guide/build_arm.md
+++ b/site/zh-cn/lite/guide/build_arm.md
@@ -23,12 +23,12 @@ XNNPack | 支持 | 支持
如果您有一个 Bazel 项目，或者您想使用 TF 运算，那么您最好使用 Bazel 构建系统。您将使用集成的 [ARM GCC 8.3 工具链](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/toolchains/embedded/arm-linux)配合 Bazel 构建 ARM32/64 共享库。
-目标架构 | Bazel 配置 | 兼容设备
---- | --- | ---
-armhf (ARM32) | --config=elinux_armhf | RPI3、RPI4 运行 32 位
-: : : Raspberry Pi OS : | |
-AArch64 (ARM64) | --config=elinux_aarch64 | Coral、RPI4 运行 Ubuntu 64
-: : : 位 : | |
+| 目标架构 | Bazel 配置 | 兼容设备 |
+| --------------- | ----------------------- | -------------------------- |
+| armhf (ARM32) | --config=elinux_armhf | RPI3、RPI4 运行 32 位 |
+: : : Raspberry Pi OS :
+| AArch64 (ARM64) | --config=elinux_aarch64 | Coral、RPI4 运行 Ubuntu 64 |
+: : : 位 :
注：生成的共享库需要 glibc 2.28 或更高版本才能运行。
diff --git a/site/zh-cn/lite/guide/build_cmake.md b/site/zh-cn/lite/guide/build_cmake.md
index 83a6831ace..e0b0f9528b 100644
--- a/site/zh-cn/lite/guide/build_cmake.md
+++ b/site/zh-cn/lite/guide/build_cmake.md
@@ -181,19 +181,20 @@ cmake --build . -j -t label_image
以下是可用选项列表。您可以使用 `-D=[ON|OFF]` 对其进行重写。例如，通过 `-DTFLITE_ENABLE_XNNPACK=OFF` 禁用默认情况下处于启用状态的 XNNPACK。
-选项名称 | 功能 | Android | Linux | macOS | Windows
---- | --- | --- | --- | --- | ---
-`TFLITE_ENABLE_RUY` | 启用 RUY | 开 | 关 | 关 | 关
-: : matrix : : : : : | | | | |
-: : multiplication : : : : : | | | | |
-: : library : : : : : | | | | |
-`TFLITE_ENABLE_NNAPI` | 启用 NNAPI | 开 | 关 | 不适用 | 不适用
-: : 委托 : : : : : | | | | |
-`TFLITE_ENABLE_GPU` | 启用 GPU | 关 | 关 | 不适用 | 不适用
-: : 委托 : : : : : | | | | |
-`TFLITE_ENABLE_XNNPACK` | 启用 XNNPACK | 开 | 开 | 开 | 开
-: : 委托 : : : : : | | | | |
-`TFLITE_ENABLE_MMAP` | 启用 MMAP | 开 | 开 | 开 | 不适用
+| 选项名称 | 功能 | Android | Linux | macOS | Windows |
+| ----------------------- | -------------- | ------- | ----- | ------ | ------- |
+| `TFLITE_ENABLE_RUY` | 启用 RUY | 开 | 关 | 关 | 关 |
+: : matrix : : : : :
+: : multiplication : : : : :
+: : library : : : : :
+| `TFLITE_ENABLE_NNAPI` | 启用 NNAPI | 开 | 关 | 不适用 | 不适用 |
+: : 委托 : : : : :
+| `TFLITE_ENABLE_GPU` | 启用 GPU | 关 | 关 | 不适用 | 不适用 |
+: : 委托 : : : : :
+| `TFLITE_ENABLE_XNNPACK` | 启用 XNNPACK | 开 | 开 | 开 | 开 |
+: : 委托 : : : : :
+| `TFLITE_ENABLE_MMAP` | 启用 MMAP | 开 | 开 | 开 | 不适用 |
+
## 创建使用 TensorFlow Lite 的 CMake 项目
diff --git a/site/zh-cn/lite/models/convert/metadata.md b/site/zh-cn/lite/models/convert/metadata.md
index 26562fe298..279c0c863e 100644
--- a/site/zh-cn/lite/models/convert/metadata.md
+++ b/site/zh-cn/lite/models/convert/metadata.md
@@ -64,58 +64,59 @@ TensorFlow Lite 模型可能随附不同的关联文件。例如，自然语言
就预处理和后处理而言，归一化和量化是两个独立的步骤。详情如下。
- | Normalization | Quantization
-:-: | --- | ---
-\ | **浮动模型**：\ | **浮动模型**：\
-: MobileNet 中分别 : - 平均：127.5 \ : - 零点：0 \ : | |
-: 针对浮动模型和 : - 标准：127.5 \ : - 缩放：1.0 \ : | |
-: 量化模型的 : **量化模型**: \ : **量化模型**: \ : | |
-: 输入图像 : - 平均：127.5 \ : - 零点：128.0 \ : | |
-: 的参数值 : - 标准：127.5 : - 缩放：0.0078125f \ : | |
-: 示例。 : : : | |
-\ | \ | **浮动模型**
-: \ : \ : 不需要量化。\ : | |
-: \ : **输入**：如果在训练中 : **量化模型**再预处理/ : | |
-: \ : 对输入数据进行了 : 后处理中 : | |
-: When to invoke? : 归一化，则需要对 : 可能需要量化， : | |
-: : 推断的输入数据 : 也可能不需要量化。具体取决于 : | |
-: : 执行相应的 : on 输入/输出张量的 : | |
-: : 归一化。\ : 数据类型。\ : | |
-: : **输出**：输出 : - 浮动张量：预处理/ : | |
-: : 数据通常 : 后处理中不需要 : | |
-: : 不进行归一化。 : 进行量化。量化 : | |
-: : : 运算和去量化运算 : | |
-: : : 被烘焙到模型 : | |
-: : : graph. \ : | |
-: : : - int8/uint8 张量： : | |
-: : : 需要再预处理/后处理 : | |
-: : : 中进行量化。 : | |
-\ | \ | **对输入进行量化**：
-: \ : \ : \ : | |
-: 公式 : normalized_input = : q = f / 缩放 + : | |
-: : (输入 - 平均) / 标准 : 零点 \ : | |
-: : : **对输出进行 : | |
-: : : outputs**: \ : | |
-: : : f = (q - 零点) * : | |
-: : : scale : | |
-\ | 由模型创建者填充 | 由 TFLite 转换器
-: 参数位于 : 并存储在模型 : 自动填充，并 : | |
-: 什么位置 : 元数据中，作为 : 存储在 tflite 模型 : | |
-: : `NormalizationOptions` : 文件中。 : | |
-如何获得 | 通过 | 通过 TFLite
-: 参数？ : `MetadataExtractor` API : `Tensor` API [1] 或 : | |
-: : [2] : 通过 : | |
-: : : `MetadataExtractor` API : | |
-: : : [2] : | |
-是，浮点和量化 | 是，浮点和量化 | 否，浮动模型
-: 模型是否共享相同的 : 模型使用相同的 : 不需要量化。 : | |
-: 值？ : 归一化 : : | |
-: : parameters : : | |
-TFLite 代码 | \ | \
-: 生成器或 Android : 是 : 是 : | |
-: Studio 机器学习绑定 : : : | |
-: 是否会在数据处理过程中 : : : | |
-: 自动生成参数？ : : : | |
+| | 归一化 | 量化 |
+| :--------------------: | ----------------------- | ----------------------- |
+| \ | **浮点模型**：\ | **浮点模型**：\ |
+: MobileNet 中分别 : - 平均：127.5 \ : - 零点：0 \ :
+: 针对浮点模型和 : - 标准：127.5 \ : - 缩放：1.0 \ :
+: 量化模型的 : **量化模型**：\ : **量化模型**\：\ :
+: 输入图像 : - 平均：127.5 \ : - 零点：128.0 \ :
+: 的参数值 : - 标准：127.5 : - 缩放：0.0078125f \ :
+: 示例。 : : :
+| \ | \ | **浮点模型** |
+: \ : \ : 不需要量化。\ :
+: \ : **输入**：如果在训练中 : **量化模型**在预处理或 :
+: \ : 对输入数据进行了 : 后处理中可能需要量化， :
+: When to invoke? : 归一化，则需要对 : 也可能不需要量化。 :
+: : 推断的输入数据 : 具体取决于 :
+: : 执行相应的 : 输入或输出张量的 :
+: : 归一化。\ : 数据类型。\ :
+: : **输出**：输出 : - 浮点张量：预处理或 :
+: : 数据通常 : 后处理中不需要 :
+: : 不进行归一化。 : 进行量化。量化 :
+: : : 运算和去量化运算 :
+: : : 被烘焙到模型 :
+: : : graph. \ :
+: : : - int8/uint8 张量： :
+: : : 需要在预处理或后处理 :
+: : : 中进行量化。 :
+| \ | \ | **对输入进行量化**： |
+: \ : \ : \ :
+: 公式 : normalized_input = : q = f / 缩放 + :
+: : (输入 - 平均) / 标准 : 零点 \ :
+: : : **对输出进行 :
+: : : 去量化**：\ :
+: : : f = (q - 零点) * :
+: : : 缩放 :
+| \ | 由模型创建者填充 | 由 TFLite 转换器 |
+: 参数位于 : 并存储在模型 : 自动填充，并 :
+: 什么位置 : 元数据中，作为 : 存储在 tflite 模型 :
+: : `NormalizationOptions` : 文件中。 :
+| 如何获得 | 通过 | 通过 TFLite |
+: 参数？ : `MetadataExtractor` API : `Tensor` API [1] 或 :
+: : [2] : 通过 :
+: : : `MetadataExtractor` API :
+: : : [2] :
+| 浮点和量化 | 是，浮点和量化 | 否，浮点模型 |
+: 模型是否共享相同的 : 模型使用相同的 : 不需要量化。 :
+: 值？ : 归一化 : :
+: : 参数 : :
+| TFLite 代码 | \ | \ |
+: 生成器或 Android : 是 : 是 :
+: Studio 机器学习绑定 : : :
+: 是否会在数据处理过程中 : : :
+: 自动生成参数？ : : :
+
[1] [TensorFlow Lite Java API](https://github.com/tensorflow/tensorflow/blob/09ec15539eece57b257ce9074918282d88523d56/tensorflow/lite/java/src/main/java/org/tensorflow/lite/Tensor.java#L73) 和 [TensorFlow Lite C++ API](https://github.com/tensorflow/tensorflow/blob/09ec15539eece57b257ce9074918282d88523d56/tensorflow/lite/c/common.h#L391)。
[2] [Metadata Extractor 库](../guide/codegen.md#read-the-metadata-from-models)
diff --git a/site/zh-cn/lite/performance/post_training_quantization.md b/site/zh-cn/lite/performance/post_training_quantization.md
index 057b84573c..5873fa5b5d 100644
--- a/site/zh-cn/lite/performance/post_training_quantization.md
+++ b/site/zh-cn/lite/performance/post_training_quantization.md
@@ -8,14 +8,14 @@
有几种训练后量化选项可供选择。下面是各种选项及其优势的汇总表：
-技术 | 优势 | 硬件
---- | --- | ---
-动态范围 | 大小缩减至原来的四分之一，速度加快 2-3 倍 | CPU
-: 量化 : : : | |
-全整数 | 大小缩减至原来的四分之一，速度加快 3+ 倍 | CPU、Edge TPU、
-: 量化 : : 微控制器 : | |
-Float16 量化 | 大小缩减至原来的二分之一，GPU | CPU、GPU
-: : 加速 : : | |
+| 技术 | 优势 | 硬件 |
+| ------------ | ----------------------------------------- | -------------- |
+| 动态范围 | 大小缩减至原来的四分之一，速度加快 2-3 倍 | CPU |
+: 量化 : : :
+| 全整数 | 大小缩减至原来的四分之一，速度加快 3+ 倍 | CPU、Edge TPU、|
+: 量化 : : 微控制器 :
+| Float16 量化 | 大小缩减至原来的二分之一，GPU | CPU、GPU |
+: : 加速 : :
以下决策树可以帮助确定最适合您用例的训练后量化方法：