Tensorflow Lite 是 TensorFlow 针对移动和嵌入式设备的轻量级解决方案。它允许您在低延迟的移动设备上运行机器学习模型，因此可以利用它进行分类，回归或获取你想要的任何东西，而无需与服务器交互。目前，TensorFlow Lite 为 Android 和 iOS 设备提供了 C ++ API，并且为 Android 开发人员提供了 java Wrapper。在本文中，我将重点介绍如何在 Android 应用中使用它。

架构图：

TensorFlow Lite 包含一个运行时环境，我们可以在其上运行预先存在的模型，并且它还提供了一套工具，可以为移动和嵌入式设备准备模型。其目前尚未支持训练模型。我们可以在高性能的机器上训练模型，例如支持常见的图像分类模型，包括 Inception 和 MobileNets。然后将该模型转换为 TFLITE 格式，最终将其加载到解释器中。从而实现与Android端应用的整合。

通过TFLite与MobileNet模型的结合，移动设备上的多种图像场景可由此得到针对性的设计和优化，其中包括对象检测，分类，面部属性检测和地标识别功能。MobileNet 有许多变种，在此站点托管了 TensorFlow Lite 的训练模型。你会注意到每个文件都是一个包含两个文件的 zip 包：一个 labels.txt 文件，其中包含与模型相关的标签；一个 tflite 文件，其中包含可以与 TensorFlow Lite 一起使用的模型版本。

要构建使用 TensorFlow Lite 的 Android 应用程序，首先需要将 tensorflow-lite 库添加到您的应用程序中。这可以通过将以下行添到 build . gradle 文件的依赖项部分来完成：完成此操作后，你可以导入 TensorFlow Lite 解释器。解释器通过为其提供一组输入来加载模型并允许你运行它，最终TensorFlow Lite 将执行模型并输出结果。

实践的第一步是要创建一个 Interpreter 实例，然后使用 MappedByteBuffer加载它。然后，要对图像进行分类，我们只需要在 Interpeter 上调用 run 方法，并将图像数据和标签数组传递给它，通过模型来为我们得到最终的结果。并将结果输出为tflite文件，通过在Android端项目导入该文件，来达成最终的目标。