本篇文章翻譯自tensorflow官網，會加上自己的一些實操講解，便於大家快速執行起第一個移動端機器學習的demo。

為了讓你在Android上開始使用tensorflow，我們將通過兩種方式來構建我們的移動端的Tensorflow例子並將它部署到一個Android裝置上。

為什麼要選擇這些方法之一？

在Android上使用Tensorflow最簡單的方法就是使用Android Studio。如果你不打算自定義你的Tensorflow構建，或者如果你想使用Android Studio的編輯器和其他功能去構建一個app並且只是想新增TensorFlow，我們推薦你使用Android Studio。

如果您使用自定義操作，或有其他原因從頭開始構建Tensorflow，請向下滾動並檢視我們有關使用Bazel構建demo的說明。

使用Android Studio構建樣例

前提條件

如果還沒有，做以下兩件事情：

• 安裝Android Studio，按照網址的介紹來操作即可。（注：自行搜尋好搭建Android的開發環境）
• 從Github克隆Tensorflow倉庫

構建

1.開啟Android Studio，從歡迎介面，選擇Open an existing Android Studio project。

2.然後定位到你拉下來的倉庫選擇tensorflow/examples/android

如果它要求你執行同步Gradle，點選OK。
你可能需要安裝各種平臺和工具，直接點選安裝即可。
注：缺什麼就安裝什麼，保證所有要求的環境都是具備的。

3.開啟工程中android模組下的build.gradle檔案，找到nativeBuildSystem變數並且設定它為none如果它還沒設定。

// set to 'bazel', 'cmake', 'makefile', 'none'
def nativeBuildSystem = 'none'

如下圖所示：

4.點選run按鈕或者使用Run-> Run 'android'

使用Android Studio將Tensorflow新增到您的應用程式

最簡單的方式就是新增以下行到你的Gradle構建檔案：

allprojects {
    repositories {
        jcenter()
    }
}

dependencies {
    compile 'org.tensorflow:tensorflow-android:+'
}

這會自動將Tensorflow的最新穩定版作為AAR下載並安裝到您的專案中。

使用Bazel構建Demo

另外一種方法在Android上使用Tensorflow就是使用Bazel構建一個apk並且使用ADB載入它到你的裝置當中。這個需要你知道一些構建系統和Android開發者工具的知識，但是我們將在這裡指導您完成基礎的操作。

• 首先，按照我們的說明從原始碼安裝。這個會知道你通過安裝Bazel並且克隆Tensorflow程式碼。
• 下載Android SDK和NDK如果你的環境還沒有它們。你至少需要NDK的12b版本，SDK的23版本以上。
• 在Tensorflow原始碼，使用您本地的SDK和NDK路徑更新WORDSPACE檔案，其中包含和。
  具體如下圖所示：

• 執行Bazel去構建Demo

bazel build -c opt //tensorflow/examples/android:tensorflow_demo

• 使用ADB去安裝apk到你的裝置當中

adb install -r bazel-bin/tensorflow/examples/android/tensorflow_demo.apk

這個會在你的裝置當中安裝三個應用程式，都是Tensorflow演示的一部分。有關更多資訊，請參閱Android示例應用程式。

我們來看下安裝到手機的效果，如下圖所示：

注：官網說有三個示例，但筆者執行的時候發現多了一個TF Speech，應該是做語音識別相關的應用，具體大家可以試下。

Android 示例應用程式

Android示例程式碼是一個構建和安裝三個示例應用程式的單個專案，這個三個示例應用程式都使用相同的基礎程式碼。示例應用程式都從手機攝像頭獲取視訊輸入：

• TF Classify 使用Inception v3模型來標記來自Imagenet的類所執行的物件。Imagenet只有1000種類別，它會遺漏大多數日常生活中的物體，並且包含許多現實生活中不可能遇到的東西，所以結果往往會非常有趣。例如，沒有“人”的類別，相反，它往往會猜測它通常與人的照片相關的事物，例如安全帶或氧氣面罩。如果你想自定義此示例來識別你關心的物件，則可以使用Tensorflow for Poets codelab作為示例，以便根據你自己打資料來訓練模型。
• TF Detect 使用多盒模型試圖在相機中任務的位置繪製邊框。對於每個檢測結果，這些框都有可信度的註釋。結果可能並不完美，因為這種物件檢測仍然是一個活躍的研究課題。Demo還包括光學追蹤，當物體在幀之間移動時，會比Tensorflow推斷執行更加頻繁。這樣提高了使用者體驗，因為明顯的幀速率更加快，但是它還能夠估計哪些框指向幀之間的相同物件，這對於隨著時間的推移計數物件是重要的。
• TF Stylize 在攝像頭上實現實時風格的傳輸演算法。你可以選擇使用哪種樣式，並使用螢幕底部的調色盤在它們之間進行混合，也可以將處理的解析度切換為更高或更低的rez。

注：看翻譯會懵，直接執行Demo看下效果就清楚三個示例具體用來幹啥的了。

Android推理庫

由於Android應用程式需要用Java編寫，核心Tensorflow是C++編寫的，所以Tensorflow有一個JNI來連結兩者。它的介面只針對推理，所以它提供了載入圖表，設定輸入和執行模型來計算特定輸出的能力。您可以在TensorFlowInferenceInterface.java中檢視最少的一組方法的完整文件。

這些Demo使用了這個介面，因此它們是查詢示例用法的好地方。您可以在ci.tensorflow.org下載預先構建的二進位制jar檔案。