Building TensorFlow on Android
本篇文章翻译自tensorflow官网，会加上自己的一些实操讲解，便于大家快速运行起第一个移动端机器学习的demo。
为了让你在Android上开始使用tensorflow，我们将通过两种方式来构建我们的移动端的Tensorflow例子并将它部署到一个Android设备上。
为什么要选择这些方法之一？
在Android上使用Tensorflow最简单的方法就是使用Android Studio。如果你不打算自定义你的Tensorflow构建，或者如果你想使用Android Studio的编辑器和其他功能去构建一个app并且只是想添加TensorFlow，我们推荐你使用Android Studio。
如果您使用自定义操作，或有其他原因从头开始构建Tensorflow，请向下滚动并查看我们有关使用Bazel构建demo的说明。
使用Android Studio构建样例
前提条件
如果还没有，做以下两件事情：
- 安装Android Studio，按照网址的介绍来操作即可。（注：自行搜索好搭建Android的开发环境）
- 从Github克隆Tensorflow仓库
git clone https://github.com/tensorflow/tensorflow
clone tensorflow
构建
1.打开Android Studio，从欢迎界面，选择Open an existing Android Studio project。
Open an existing Android Studio project
2.然后定位到你拉下来的仓库选择tensorflow/examples/android目录，点击OK导入到工作区。
如果它要求你执行同步Gradle，点击OK。
你可能需要安装各种平台和工具，直接点击安装即可。
注：缺什么就安装什么，保证所有要求的环境都是具备的。
3.打开工程中android模块下的build.gradle文件，找到nativeBuildSystem变量并且设置它为none如果它还没设置。
// set to 'bazel', 'cmake', 'makefile', 'none'
def nativeBuildSystem = 'none'
如下图所示：
nativeBuildSystem
4.点击run按钮或者使用Run-> Run 'android'从顶部菜单。
如果它询问你使用Instant Run，点击Proceed Without Instant Run。
此外，你需要在设备中启用开发调试选项才能插入Android设备。
使用Android Studio将Tensorflow添加到您的应用程序
最简单的方式就是添加以下行到你的Gradle构建文件：
allprojects {
repositories {
jcenter()
}
}
dependencies {
compile 'org.tensorflow:tensorflow-android:+'
}
这会自动将Tensorflow的最新稳定版作为AAR下载并安装到您的项目中。
使用Bazel构建Demo
另外一种方法在Android上使用Tensorflow就是使用Bazel构建一个apk并且使用ADB加载它到你的设备当中。这个需要你知道一些构建系统和Android开发者工具的知识，但是我们将在这里指导您完成基础的操作。
- 首先，按照我们的说明从源码安装。这个会知道你通过安装Bazel并且克隆Tensorflow代码。
- 下载Android SDK和NDK如果你的环境还没有它们。你至少需要NDK的12b版本，SDK的23版本以上。
- 在Tensorflow源代码，使用您本地的SDK和NDK路径更新WORDSPACE文件，其中包含<PATH_TO_NDK>和<PATH_TO_SDK>。
具体如下图所示：
WORDSPACE
- 运行Bazel去构建Demo
bazel build -c opt //tensorflow/examples/android:tensorflow_demo
- 使用ADB去安装apk到你的设备当中
adb install -r bazel-bin/tensorflow/examples/android/tensorflow_demo.apk
这个会在你的设备当中安装三个应用程序，都是Tensorflow演示的一部分。有关更多信息，请参阅Android示例应用程序。
我们来看下安装到手机的效果，如下图所示：
demo
注：官网说有三个示例，但笔者运行的时候发现多了一个TF Speech，应该是做语音识别相关的应用，具体大家可以试下。
Android 示例应用程序
Android示例代码是一个构建和安装三个示例应用程序的单个项目，这个三个示例应用程序都使用相同的基础代码。示例应用程序都从手机摄像头获取视频输入：
- TF Classify 使用Inception v3模型来标记来自Imagenet的类所执行的对象。Imagenet只有1000种类别，它会遗漏大多数日常生活中的物体，并且包含许多现实生活中不可能遇到的东西，所以结果往往会非常有趣。例如，没有“人”的类别，相反，它往往会猜测它通常与人的照片相关的事物，例如安全带或氧气面罩。如果你想自定义此示例来识别你关心的对象，则可以使用Tensorflow for Poets codelab作为示例，以便根据你自己打数据来训练模型。
- TF Detect 使用多盒模型试图在相机中任务的位置绘制边框。对于每个检测结果，这些框都有可信度的注释。结果可能并不完美，因为这种对象检测仍然是一个活跃的研究课题。Demo还包括光学追踪，当物体在帧之间移动时，会比Tensorflow推断运行更加频繁。这样提高了用户体验，因为明显的帧速率更加快，但是它还能够估计哪些框指向帧之间的相同对象，这对于随着时间的推移计数对象是重要的。
- TF Stylize 在摄像头上实现实时风格的传输算法。你可以选择使用哪种样式，并使用屏幕底部的调色板在它们之间进行混合，也可以将处理的分辨率切换为更高或更低的rez。
注：看翻译会懵，直接运行Demo看下效果就清楚三个示例具体用来干啥的了。
Android推理库
由于Android应用程序需要用Java编写，核心Tensorflow是C++编写的，所以Tensorflow有一个JNI来链接两者。它的接口只针对推理，所以它提供了加载图表，设置输入和运行模型来计算特定输出的能力。您可以在TensorFlowInferenceInterface.java中查看最少的一组方法的完整文档。
这些Demo使用了这个接口，因此它们是查找示例用法的好地方。您可以在ci.tensorflow.org下载预先构建的二进制jar文件。
