简介
TensorFlow是非常流行的深度学习框架，Android则是非常流行的移动操作系统，二者均由Google主导开发。为了能在资源受限的硬件上运行深度学习程序，Google开发了TensorFlow的Lite版。与普通版本的TensorFlow不同，Lite版不要求很高的计算能力，因而能够运行于Android、iOS及Raspberry Pi等边缘设备。TensorFlow Lite目前只支持推断，还不能用于模型训练。
我上周购买了一台华为mate 20 X，正好可以用来体验TensorFlow Lite。为了能迅速得到可用的程序，我就直接采用了TensorFlow的示例代码。
安装
在Android上安装TensorFlow Lite的演示程序非常容易。
前提：
- 电脑上安装了Android Studio，推荐最新版。
- 其次，下载TensorFlow的完整代码，可以通过git下载，或者直接下载zip压缩包并解压。下载地址为https://github.com/tensorflow/tensorflow/。
- 下载MobileNet模型。下载地址为https://storage.googleapis.com/download.tensorflow.org/models/tflite/mobilenet_v1_224_android_quant_2017_11_08.zip。
准备好了，那就启动Android Studio，点击File菜单下的Open项，在打开的对话框中点击解压得到的TensorFlow文件夹，打开tensorflow\tensorflow\lite\java\demo文件夹。
Android Studio开始导入官方的demo程序。
由于该demo程序依赖的各种工具、库比较早，Android Studio会下载并安装相应版本的依赖。这个过程比较长，在我的电脑上一共用了30多分钟。
导入完毕后，将MobileNet模型解压，得到两个文件，labels.txt和mobilenet_quant_v1_224.tflite，并拖进Android Studio的app\src\main\assets文件夹。
接着就可以点击Run，将该示例程序编译并安装到手机上。
测试
昨晚成功将TensorFlow的示例程序安装到手机。经过昨晚及今天的几次简单测试，算是体验了一把深度学习。
该示例程序正确识别出了咖啡杯。
将显示器和键盘的组合识别为台式机。显示器是接在笔记本电脑上的，因此识别不是很准确，但这个不算错误。
但是，在识别猫的测试中，效果不佳。不知道是这只猫与众不同，还是MobileNet模型的训练不够。
总结
TensorFlow Lite在我这台搭载麒麟980、具有6 GB内存的手机上运行还是比较快的。可以配置线程数、模型种类（quant或float）和设备API类型（CPU或NNAPI）。识别率不是很高，但也可圈可点。
接下来我会读一遍该Demo的源码，以及MobileNet的论文。至于如何充分利用麒麟980的NPU计算能力，我还没有找到方法。