امروز برای رویداد محلی TensorFlow خود در همه جا پاسخ دهید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

iOS شروع سریع

برای شروع کار با TensorFlow Lite در iOS ، توصیه می کنیم مثال زیر را بررسی کنید:

مثال طبقه بندی تصویر iOS

برای توضیح کد منبع ، باید طبقه بندی تصویر TensorFlow Lite iOS را نیز بخوانید.

این برنامه نمونه از طبقه بندی تصویر برای طبقه بندی مداوم هر آنچه از دوربین رو به عقب دستگاه می بیند استفاده می کند و بالاترین محتمل ترین طبقه بندی ها را نمایش می دهد. به کاربر این امکان را می دهد تا از بین یک نقطه شناور یا مدل کوانتیزه شده یکی را انتخاب کند و تعداد رشته ها را برای انجام استنباط انتخاب کند.

TensorFlow Lite را به پروژه Swift یا Objective-C خود اضافه کنید

TensorFlow Lite کتابخانه های بومی iOS را که به زبان Swift و Objective-C نوشته شده اند ، ارائه می دهد. شروع به نوشتن کد iOS خود با استفاده ازمثال طبقه بندی تصویر Swift به عنوان نقطه شروع.

بخشهای زیر نحوه افزودن TensorFlow Lite Swift یا Objective-C را به پروژه خود نشان می دهد:

توسعه دهندگان CocoaPods

در Podfile خود ، غلاف Podfile Lite را اضافه کنید. سپس ، pod install اجرا pod install .

سریع

use_frameworks!
pod 'TensorFlowLiteSwift'

هدف-C

pod 'TensorFlowLiteObjC'

تعیین نسخه ها

هستند منتشر پایدار، و منتشر شبانه دسترس برای هر دو وجود دارد TensorFlowLiteSwift و TensorFlowLiteObjC غلاف. اگر محدودیت نسخه را مانند مثالهای بالا مشخص نکنید ، CocoaPods به طور پیش فرض آخرین نسخه پایدار را می کشد.

همچنین می توانید محدودیت نسخه را تعیین کنید. به عنوان مثال ، اگر می خواهید به نسخه 2.0.0 وابسته باشید ، می توانید این وابستگی را به صورت زیر بنویسید:

pod 'TensorFlowLiteSwift', '~> 2.0.0'

این اطمینان را به آخرین نسخه موجود از 2.xy TensorFlowLiteSwift غلاف در برنامه شما استفاده می شود. متناوباً ، اگر می خواهید به ساخت های شبانه وابسته باشید ، می توانید بنویسید:

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly'

از نسخه 2.4.0 و آخرین نسخه های شبانه ، به طور پیش فرض نمایندگان GPU و Core ML برای کاهش اندازه باینری از pod غافل می شوند. با مشخص کردن زیرشاخه می توانید آنها را وارد کنید:

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly', :subspecs => ['CoreML', 'Metal']

با این کار می توانید از جدیدترین ویژگی های اضافه شده به TensorFlow Lite استفاده کنید. توجه داشته باشید که وقتی فایل Podfile.lock هنگام اجرای دستور pod install برای اولین بار ایجاد شد ، نسخه کتابخانه شبانه در نسخه تاریخ فعلی قفل می شود. اگر می خواهید کتابخانه شبانه را به کتابخانه جدیدتری به روز کنید ، باید دستور pod update را اجرا کنید.

برای کسب اطلاعات بیشتر در مورد روشهای مختلف تعیین محدودیت نسخه ، به تعیین نسخه های غلاف مراجعه کنید.

توسعه دهندگان بازل

در پرونده BUILD خود ، وابستگی TensorFlowLite را به هدف خود اضافه کنید.

سریع

swift_library(
  deps = [
      "//tensorflow/lite/swift:TensorFlowLite",
  ],
)

هدف-C

objc_library(
  deps = [
      "//tensorflow/lite/objc:TensorFlowLite",
  ],
)

C / C ++ API

همچنین می توانید از C API یا C ++ API استفاده کنید

# Using C API directly
objc_library(
  deps = [
      "//tensorflow/lite/c:c_api",
  ],
)

# Using C++ API directly
objc_library(
  deps = [
      "//third_party/tensorflow/lite:framework",
  ],
)

کتابخانه را وارد کنید

برای پرونده های Swift ، ماژول TensorFlow Lite را وارد کنید:

import TensorFlowLite

برای پرونده های Objective-C ، عنوان چتر را وارد کنید:

#import "TFLTensorFlowLite.h"

یا ماژول اگر CLANG_ENABLE_MODULES = YES در پروژه Xcode خود تنظیم کنید:

@import TFLTensorFlowLite;