2、环境搭建：安装 TensorFlow、配置 Android/iOS 开发环境、安装 TFLite 解释器

好，咱们直接进入正题。环境搭建这事儿，说难不难，说简单吧，坑也不少。我见过太多人卡在第一步，装了半天跑不起来，最后发现是版本没对上。所以这一章，我带你一步步把地基打牢。

2.1 安装 TensorFlow：选对版本是关键

先装 TensorFlow。这里有个原则：别装最新的，装最稳的。我个人的习惯是，先看看 TFLite 的官方文档，它支持哪个版本，我就装哪个。比如现在 TFLite 2.x 系列很成熟，那就装 2.13 或 2.14。

为什么？因为 TFLite 的转换器跟 TensorFlow 主库是绑定的。版本不对，转换模型时会报一些莫名其妙的错。我曾经有一次，为了尝鲜装了 2.16，结果 TFLite 转换器死活不认，折腾了两天，最后老老实实降级。

安装命令很简单，用 pip：

# 安装 CPU 版本（开发调试用）
pip install tensorflow==2.14.0

# 如果你有 NVIDIA GPU，装 GPU 版本
pip install tensorflow-gpu==2.14.0

嗯，这里要注意：GPU 版本需要 CUDA 和 cuDNN 配合。具体版本对应关系，去 NVIDIA 官网查一下，别凭感觉装。我建议新手先用 CPU 版本，等模型跑通了再考虑 GPU 加速。

2.2 配置 Android 开发环境：Android Studio + NDK

接下来是 Android。说白了，你要在手机上跑模型，就得有个 Android 开发环境。我推荐用 Android Studio，它集成了几乎所有东西。

步骤其实就三步：

1. 下载 Android Studio：去官网下最新版，安装时记得勾选「Android SDK」和「Android Virtual Device」。
2. 安装 NDK：TFLite 的 C++ 解释器需要 NDK 来编译。在 Android Studio 里，打开 SDK Manager，切到「SDK Tools」标签，勾选「NDK (Side by side)」和「CMake」。
3. 配置 Gradle：在项目的 build.gradle 里，加上 TFLite 的依赖。

依赖怎么写？看这里：

dependencies {
    // TFLite 核心库
    implementation 'org.tensorflow:tensorflow-lite:2.14.0'
    // GPU 加速（可选）
    implementation 'org.tensorflow:tensorflow-lite-gpu:2.14.0'
    // 支持更多算子（可选）
    implementation 'org.tensorflow:tensorflow-lite-select-tf-ops:2.14.0'
}

我个人习惯是，先把核心库加上，跑通了再考虑 GPU 加速。因为 GPU 加速对某些模型不兼容，容易出问题。你想想看，如果一开始就全加上，出了问题你都不知道是哪个依赖的锅。

2.3 配置 iOS 开发环境：Xcode + CocoaPods

iOS 这边，环境搭建相对简单，但有个前提：你得有台 Mac。Xcode 是必须的，去 App Store 下载就行。

然后，用 CocoaPods 管理 TFLite 依赖。如果你还没装 CocoaPods，先装一下：

sudo gem install cocoapods

接着，在项目目录下创建 Podfile，写入：

target 'YourAppTarget' do
  use_frameworks!
  pod 'TensorFlowLiteSwift', '~> 2.14.0'
  # 如果需要 C++ API，用这个：
  # pod 'TensorFlowLiteC', '~> 2.14.0'
end

然后执行 pod install。嗯，这里要注意：第一次 pod install 会下载很多东西，耐心等。我见过有人等不及直接关了终端，结果依赖没装全，后面编译报错。

装完后，用 .xcworkspace 文件打开项目，别用 .xcodeproj。这个坑我踩过，当时还纳闷怎么 pod 的库找不到，后来才发现是打开方式不对。

2.4 安装 TFLite 解释器：Python 和移动端两种方式

TFLite 解释器，说白了就是跑模型的引擎。它有两种形态：

• Python 解释器：用于开发调试，在 PC 上验证模型。
• 移动端解释器：集成到 Android/iOS App 里，真机运行。

Python 解释器最简单，装完 TensorFlow 就自带了。你试试：

import tensorflow as tf

# 加载一个 TFLite 模型
interpreter = tf.lite.Interpreter(model_path="model.tflite")
interpreter.allocate_tensors()

# 看看输入输出
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
print("输入形状:", input_details[0]['shape'])
print("输出形状:", output_details[0]['shape'])

能跑通，就说明解释器装好了。我个人习惯是，先用 Python 解释器跑一遍推理，确保模型没问题，再往移动端移植。这样能隔离问题——是模型的问题，还是环境的问题，一目了然。

移动端解释器呢，其实就是前面 Android 和 iOS 配置里加的那些依赖。它们会在编译时自动集成到 App 里，你不需要手动安装什么。

2.5 验证环境：跑一个最小示例

环境搭没搭好，跑个例子就知道了。我准备了一个最简单的模型——一个全连接网络，输入 1x4 的张量，输出 1x2 的张量。你把它转成 TFLite，然后在各端跑一下。

Python 端验证：

import tensorflow as tf
import numpy as np

# 创建一个简单模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(2, input_shape=(4,), activation='softmax')
])

# 转成 TFLite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# 保存模型
with open('test_model.tflite', 'wb') as f:
    f.write(tflite_model)

# 用解释器跑一下
interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

input_data = np.array([[1.0, 2.0, 3.0, 4.0]], dtype=np.float32)
interpreter.set_tensor(interpreter.get_input_details()[0]['index'], input_data)
interpreter.invoke()
output = interpreter.get_tensor(interpreter.get_output_details()[0]['index'])
print("推理结果:", output)

如果输出是一个 1x2 的数组，比如 [[0.1, 0.9]]，那就成了。Android 和 iOS 端的验证类似，只是把模型文件放到 assets 目录，然后用对应的 API 加载。

2.6 常见问题与解决

最后，列几个我遇到过的问题，你心里有个数：

问题	原因	解决办法
pip 安装 TensorFlow 超时	网络问题	用国内镜像源，比如 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow
Android 编译报错：找不到 TFLite 库	Gradle 依赖没加对	检查 build.gradle 里的依赖版本，确保跟 TensorFlow 版本一致
iOS 运行时崩溃：模型加载失败	模型文件没加到 Bundle 里	在 Xcode 里把 .tflite 文件拖到项目，并勾选「Add to target」
Python 解释器报错：No module named 'tensorflow'	没激活虚拟环境	检查当前 Python 环境，或者用 conda activate 切换

嗯，环境搭建就这些。说白了，就是装软件、配路径、加依赖。别怕麻烦，这一步做好了，后面写代码会顺畅很多。下一章，咱们开始讲模型转换——怎么把训练好的模型变成 TFLite 格式。