第二章：环境搭建——安装 TensorFlow、配置 Android Studio、安装 TFLite 解释器依赖

说实话，环境搭建这一步，劝退了很多人。

我见过不少同学，代码写得挺溜，结果卡在环境配置上，一卡就是两三天。嗯，这很正常。移动端和边缘端的开发环境，比纯后端要复杂一些。你不仅要搞定 Python 那一套，还得跟 Android Studio 或 Xcode 打交道。

今天我就带你一步步走通。我的原则是：能自动就别手动，能复制就别打字。

2.1 安装 TensorFlow——选对版本很重要

先装 Python。我个人习惯用 Python 3.8 到 3.10 之间的版本。太新的 Python 版本，有些 TFLite 的旧依赖可能不兼容。

我建议你直接用 Anaconda 或者 Miniconda 来管理环境。为什么？因为隔离。你想想看，项目一多，依赖打架是常有的事。

核心操作：

# 创建独立环境
conda create -n tflite_env python=3.9
conda activate tflite_env

# 安装 TensorFlow（包含 TFLite）
pip install tensorflow==2.13.0

这里有个坑。我曾经在项目里直接装了最新版的 TensorFlow，结果发现 TFLite 的某些算子不支持。后来我学乖了：生产环境尽量用 LTS 版本。2.13.0 是我目前用得最稳的版本。

装完之后，验证一下：

python -c "import tensorflow as tf; print(tf.__version__)"

如果打印出版本号，恭喜你，第一步走通了。

2.2 配置 Android Studio——别被 Gradle 吓到

Android Studio 的安装我就不赘述了，官网下载就行。我要重点说的是 SDK 和 NDK 的配置。

为什么需要 NDK？因为 TFLite 的 GPU 代理和某些底层算子，需要原生代码支持。

注意：NDK 版本不是越新越好。TFLite 官方推荐 NDK r25c 或 r26。我试过 r27，编译时直接报错。嗯，别问我怎么知道的。

配置步骤：

  1. 打开 Android Studio，进入 SDK Manager
  2. 在 SDK Tools 选项卡里，勾选 NDK (Side by side)
  3. 选择版本 25.2.9519653（这是 r25c 的对应版本）
  4. 同时勾选 CMake，版本选 3.22.1 以上

配置完成后，在项目的 local.properties 文件里，你会看到类似这样的内容：

sdk.dir=/Users/你的用户名/Library/Android/sdk
ndk.dir=/Users/你的用户名/Library/Android/sdk/ndk/25.2.9519653

我个人习惯把 NDK 路径写死，避免 Gradle 自动升级后出问题。

2.3 安装 TFLite 解释器依赖——两种方式，任你选

TFLite 在 Android 上有两种集成方式。说白了，一个省事，一个灵活。

方式一：通过 Maven 依赖（推荐新手）

在 build.gradle 文件里添加：

dependencies {
    // TFLite 核心库
    implementation 'org.tensorflow:tensorflow-lite:2.13.0'
    
    // GPU 加速（可选）
    implementation 'org.tensorflow:tensorflow-lite-gpu:2.13.0'
    
    // 支持更多算子（可选）
    implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:2.13.0'
}

加完之后，记得 Sync Now。我第一次用的时候，忘了加 GPU 依赖，结果模型在手机上跑得比蜗牛还慢。后来加上 GPU 代理，速度直接翻了 3 倍。

方式二：手动导入 AAR 文件（适合定制需求）

如果你需要修改 TFLite 的底层代码，或者要裁剪库体积，那就得用 AAR 了。

  1. 从 Maven 仓库 下载对应版本的 AAR 文件
  2. 放到项目的 app/libs 目录下
  3. 在 build.gradle 里添加：
dependencies {
    implementation fileTree(dir: 'libs', include: ['*.aar'])
}

我的建议：刚开始做项目，用 Maven 依赖就够了。等你对 TFLite 熟悉了，再考虑手动导入 AAR。别一开始就给自己找麻烦。

2.4 Xcode 配置（iOS 开发者看这里）

如果你是做 iOS 的，流程类似，但工具链不同。

首先，确保你的 Xcode 版本 >= 14。然后通过 CocoaPods 或 Swift Package Manager 集成。

CocoaPods 方式：

# Podfile
target 'YourApp' do
  pod 'TensorFlowLiteSwift', '~> 2.13.0'
  # 如果需要 GPU 加速
  pod 'TensorFlowLiteSwift/Metal', '~> 2.13.0'
end

然后执行 pod install。这里有个小坑：第一次 pod install 会下载很多依赖，网络不好的话容易超时。我建议你提前配好代理，或者用国内镜像源。

Swift Package Manager 方式：

直接在 Xcode 里选择 File → Add Packages，搜索：

https://github.com/tensorflow/tensorflow.git

选择版本 2.13.0，然后勾选 TensorFlowLiteSwift 即可。

2.5 验证环境——跑一个最小 Demo

环境搭好了，不跑个 Demo 心里不踏实。我一般用 TFLite 自带的 MobileNet 模型来验证。

Android 端的核心代码就这几行：

// 加载模型
Interpreter tflite = new Interpreter(loadModelFile(context));

// 准备输入输出
float[][] input = new float[1][224*224*3];
float[][] output = new float[1][1001];

// 执行推理
tflite.run(input, output);

// 解析结果
// ... 这里省略解析逻辑

如果能在手机上跑出分类结果，说明你的环境完全 OK 了。

避坑指南：我曾经在模拟器上跑 TFLite，结果 GPU 代理一直报错。后来才发现，模拟器不支持 GPU 加速。所以，真机测试才是王道。

2.6 本章小结

环境搭建其实就三件事：

  • TensorFlow：用 conda 隔离，版本选 2.13.0
  • Android Studio：配好 NDK r25c，别用太新的
  • TFLite 依赖：新手用 Maven，老手用 AAR

嗯，把这些搞定，后面写代码就顺畅多了。下一章，我们开始真正接触 TFLite 模型转换。到时候你会发现，环境搭好了，后面的路就好走了。

← 上一章 📖 返回目录 下一章 →