眾所周知，google谷歌有一個名為TensorFlow的開源庫，可用來在Android中實現機器學習。
TensorFlow是一個由google谷歌提供的機器智慧開源軟體庫。我在網上搜索了很多關於在Android端 構建 TensorFlow的簡單簡單方法和簡單demo，都一無所獲。在閱讀了眾多資源後，我總算可以構建成功了。然後我決定寫下這篇部落格，以便其他人不用花費太多時間。
本篇Demo——影象分類器，是取材於google谷歌官方的TensorFlow的Demo。
閱讀這篇文章，你需要已經熟悉機器學習，並且知道如何為機器學習構建相關的模型（在這個Demo裡我暫時用一套預訓練模型）。不久之後，我將要寫下關於機器學習的一系列文章，以便所有人都可以學習如何來為機器學習構建模型。

開啟Android機器學習 構建之門

你需要了解一些重要的點：
* TensorFlow的核心是用C++編寫的。
* 為了在Android中構建，我們不得不使用JNI(Java Native Interface)來呼叫C++函式，例如loadModel, getPredictions等等。
* 我們將使用一個jar包和一個.so動態連結庫檔案，前者裡面由呼叫native C++的JAVA API構成，後者是C++編譯的so檔案。然後我們可以僅通過呼叫JAVA API來把事情搞定。
* 因此，請注意，我們需要一個jar檔案(JAVA API)和一個.so檔案(C++編譯好)
* 我們必須還有2個東西：提前訓練的模型檔案(.pb)，用來分類的標籤檔案(.txt)。

我們將構建一個如下圖的物體探測器：

接下來，讓我們構建jar檔案和.so檔案

執行如下命令：

git clone --recurse-submodules  https://github.com/tensorflow/tensorflow.git

注意：–recurse-submodules 非常重要，用來下拉子模組的程式碼。

需要使用官方推薦的NDK r12b來構建so, 太新或太舊的版本都會有問題，如果你沒有NDK r12b,請在這裡下載.

如果你不用r12b編譯，你就會遇到各種各樣的錯誤。

如果你是全新玩家，那麼你當然還需要下載Android SDK了，或者採用Android Studio 下載的Android SDK也可以，後面我們需要的是SDK的路徑。

你需要了解谷歌的構建工具Bazel，它是TensorFlow的首席構建工具。你可以在這裡安裝Bazel。

當你對Bazel有所瞭解之後：
現在，編輯WORKSPACE檔案，我們可以在之前clone下來的TensorFlow的根路徑裡找到WORKSPACE檔案。

# Uncomment and update the paths in these entries to build the Android demo.
#android_sdk_repository(
#    name = "androidsdk",
#    api_level = 23,
#    build_tools_version = "25.0.1",
#    # Replace with path to Android SDK on your system
#    path = "<PATH_TO_SDK>",
#)
#
#android_ndk_repository(
#    name="androidndk",
#    path="<PATH_TO_NDK>",
#    api_level=14)

將以上檔案內容改為我們自己的sdk、ndk的路徑：

android_sdk_repository(
    name = "androidsdk",
    api_level = 23,
    build_tools_version = "25.0.1",
    # Replace with path to Android SDK on your system
    path = "/Users/xxx/Library/Android/sdk/",
)

android_ndk_repository(
    name="androidndk",
    path="/Users/xxx/Downloads/android-ndk-r13/",
    api_level=14)

下一步，構建.so檔案，執行如下命令：

bazel build -c opt //tensorflow/contrib/android:libtensorflow_inference.so \
   --crosstool_top=//external:android/crosstool \
   [email protected]_tools//tools/cpp:toolchain \
   --cpu=armeabi-v7a

其中的armeabi-v7a引數可以換成你所需的目標cpu架構。

構建完成後，.so檔案將在如下路徑生成：

bazel-bin/tensorflow/contrib/android/libtensorflow_inference.so

接著構建JAVA jar檔案：

bazel build //tensorflow/contrib/android:android_tensorflow_inference_java

jar檔案在如下路徑生成：

bazel-bin/tensorflow/contrib/android/libandroid_tensorflow_inference_java.jar

現在我們同時擁有了jar檔案和.so檔案了。

如果你構建失敗了，可以直接從這裡可以下載demo工程，裡面都有構建好的檔案。

但是我們還需要預訓練模型檔案和標籤檔案。

在這個demo裡，我們使用Google提供的預訓練模型檔案，這個檔案用來從已有的圖片中檢測物體(影象識別)。

下載完zip包解壓縮，得到2個檔案：
* imagenet_comp_graph_label_strings.txt(物體的標籤檔案)
* tensorflow_inception_graph.pb (預訓練模型檔案).

現在我們使用Android Studio來建立一個樣例工程。把.pb、.txt這2個檔案放入assets資料夾。

將生成的jar包，放入libs檔案，在build.gradle中加入：

compile files('libs/libandroid_tensorflow_inference_java.jar')

在main目錄建立jniLibs資料夾，把編譯好的.so檔案放進jniLibs/armeabi-v7a/路徑

到現在為止，我們就可以呼叫TensorFlow的JAVA API了。

TensorFlow的JAVA層API通過TensorFlowInferenceInterface來暴露所有需要的方法。

我們需要先通過模型路徑裝載模型，才能進一步呼叫這些JAVA API。

並且，我們可以提供輸入影象，來得到識別的結果。

上面已經說過了，想圖省事，直接clone現成的專案，看看程式碼，編譯執行即可。