适用于 Android 的开发工具

TensorFlow Lite 提供了许多工具，用于将模型集成到 Android 应用中。本页面介绍了用于使用 Kotlin、Java 和 C++ 构建应用的开发工具，以及对 Android Studio 中的 TensorFlow Lite 开发的支持。

要点：一般来说，您应该使用 TensorFlow Lite Task Library 将 TensorFlow Lite 集成到您的 Android 应用中，除非该库不支持您的用例。如果 Task Library 不支持，请使用 TensorFlow Lite Library 和 Support Library。

要快速开始编写 Android 代码，请参阅 Android 快速入门

使用 Kotlin 和 Java 构建时用到的工具

以下各部分介绍适用于 TensorFlow Lite 并使用 Kotlin 和 Java 语言的开发工具。

TensorFlow Lite Task Library

TensorFlow Lite Task Library 包含了一套功能强大且易于使用的任务专用库，供应用开发者使用 TensorFlow Lite 进行构建。它为热门的机器学习任务（如图像分类、问答等）提供了经过优化的开箱即用的模型接口。模型接口专为每个任务而设计，以实现最佳性能和可用性。Task Library 可跨平台工作，并且支持 Java 和 C++。

要在您的 Android 应用中使用 Task Library，请分别为 Task Vision 库、Task Text 库和 Task Audio 库使用 MavenCentral 的 AAR。

您可以在 build.gradle 依赖项中加以指定，如下所示：

dependencies {
    implementation 'org.tensorflow:tensorflow-lite-task-vision:+'
    implementation 'org.tensorflow:tensorflow-lite-task-text:+'
    implementation 'org.tensorflow:tensorflow-lite-task-audio:+'
}

如果您使用 Nightly 快照，请确保将 Sonatype 快照仓库添加到项目中。

请参阅 TensorFlow Lite Task Library 概述中的简介，了解更多详细信息。

TensorFlow Lite Library

可以通过将托管在 MavenCentral 的 AAR 添加到您的开发项目来使用 TensorFlow Lite Livrary。

您可以在 build.gradle 依赖项中加以指定，如下所示：

dependencies {
    implementation 'org.tensorflow:tensorflow-lite:+'
}

如果您使用 Nightly 快照，请确保将 Sonatype 快照仓库添加到项目中。

此 AAR 包含所有 Android ABI 的二进制文件。您可以通过仅包含需要支持的 ABI 来缩减应用二进制文件的大小。

除非您以特定硬件为目标，否则在大多数情况下，您应该忽略 x86、x86_64 和 arm32 ABI。您可以使用以下 Gradle 配置对其进行配置。此配置仅包含 armeabi-v7a 和 arm64-v8a，应该可以涵盖大多数新型 Android 设备。

android {
    defaultConfig {
        ndk {
            abiFilters 'armeabi-v7a', 'arm64-v8a'
        }
    }
}

要详细了解 abiFilters，请参阅 Android NDK 文档中的 Android ABI。

TensorFlow Lite Support Library

借助 TensorFlow Lite Android Support Library，可以更轻松地将模型集成到应用中。它提供了高级 API，可帮助用户将原始输入数据转换为模型所需的形式，并解释模型的输出，从而减少所需的样板代码量。

它支持输入和输出的常用数据格式，包括图像和数组。此外，它还提供可执行各种任务（例如图像大小调整和裁剪）的预处理和后处理单元。

您可以通过包含 MavenCentral 中托管的 TensorFlow Lite Support Library AAR ，在您的 Android 应用中使用 Support Library。

您可以在 build.gradle 依赖项中加以指定，如下所示：

dependencies {
    implementation 'org.tensorflow:tensorflow-lite-support:+'
}

如果您使用 Nightly 快照，请确保将 Sonatype 快照仓库添加到项目中。

有关如何入门的说明，请参阅 TensorFlow Lite Android Support Library。

用于库的最低 Android SDK 版本

使用 Android Studio

除了上面描述的开发库，Android Studio 还支持集成 TensorFlow Lite 模型，如下所述。

Android Studio 机器学习模型绑定

Android Studio 4.1 及更高版本的机器学习模型绑定功能允许您将 .tflite 模型文件导入到现有的 Android 应用中，并生成接口类，以便更轻松地将代码与模型集成。

要导入 TensorFlow Lite (TFLite) 模型，请执行以下操作：

1. 右键点击您要使用 TFLite 模型的模块，或者点击 File > New > Other > TensorFlow Lite Model

2. 选择 TensorFlow Lite 文件的位置。请注意，该工具使用机器学习模型绑定配置模块的依赖项，并会自动将所有必需的依赖项添加到您的 Android 模块的 build.gradle 文件中。

   注：如果要使用 GPU 加速，请选择用于导入 TensorFlow GPU 的第二个复选框。

3. 点击 Finish 开始导入过程。导入完成后，该工具将显示一个描述模型的界面，包括其输入和输出张量。

4. 要开始使用该模型，请选择 Kotlin 或 Java，然后将代码复制并粘贴到 Sample Code 部分中。

在 Android Studio 中，双击 ml 目录下的 TensorFlow Lite 模型，即可返回模型信息界面。有关使用 Android Studio 的模型绑定功能的更多信息，请参阅 Android Studio 发布说明。有关在 Android Studio 中使用模型绑定的概述，请参阅代码示例说明。

使用 C 和 C++ 进行构建的工具

TensorFlow Lite 的 C 和 C++ 库主要面向使用 Android Native Development Kit (NDK) 构建应用的开发者。如果您使用 NDK 构建应用，有两种通过 C++ 使用 TFLite 的方式：

TFLite C API

对于使用 NDK 的开发者，使用此 API 是推荐方式。下载 MavenCentral 中托管的 TensorFlow Lite AAR 文件，将其重命名为 tensorflow-lite-*.zip，然后解压缩该文件。您必须在 NDK 项目的 headers/tensorflow/lite/ 和 headers/tensorflow/lite/c/ 文件夹中包含四个头文件，并在 jni/ 文件夹中包含相关的 libtensorflowlite_jni.so 动态库。

c_api.h 头文件包含有关使用 TFLite C API 的基本文档。

TFLite C++ API

如果要通过 C++ API 使用 TFLite，您可以构建 C++ 共享库：

32 位 armeabi-v7a：

bazel build -c opt --config=android_arm //tensorflow/lite:libtensorflowlite.so

64 位 arm64-v8a：

bazel build -c opt --config=android_arm64 //tensorflow/lite:libtensorflowlite.so

目前没有直接的方式来提取所需的所有头文件，因此您必须从 TensorFlow 仓库中将所有头文件包括在 tensorflow/lite/ 目录下。此外，您还需要 FlatBuffers 和 Abseil 的头文件。