Android 快速上手

要在Android上使用TensorFlow Lite，我们推荐您探索下面的例子。

Android 图像分类示例

有关源代码的说明，您还应该阅读 TensorFlow Lite Android 图像分类.

该示例应用程序使用 图像分类 来连续地对设备的后置摄像头所看到的内容进行分类。 该应用程序可以运行在真实设备或者模拟器上。

使用 TensorFlow Lite Java API 来执行推理。该演示应用程序实时地对图像帧进行分类，显示最可能的分类结果。它允许用户选择浮点或 量化 模型，选择线程数，并决定运行在CPU，GPU上，亦或是通过 NNAPI运行。

注意: 这些示例提供了其他的在多种用例中演示使用TensorFlow Lite的应用程序。

在Android Studio中构建

如果您要在Android Studio 构建例子，请遵循 README.md中的说明。

创建您自己的Android应用程序

如果您想快速编写您的Android代码, 我们推荐使用 Android 图像分类代码例子 作为起始点。

下面的部分包含了一些有关如何在Android上使用TensorFlow Lite的有用信息。

使用JCenter中的TensorFlow Lite AAR

如果您要在您的Android应用程序中使用TensorFlow Lite，我们推荐使用 在JCenter中托管的TensorFlow Lite AAR。

您可以像下面这样在您的build.gradle依赖中指定它:

dependencies {
    implementation 'org.tensorflow:tensorflow-lite:0.0.0-nightly'
}

这个AAR包含了 Android ABIs中的所有的二进制文件。您可以通过只包含您需要支持的ABIs来减少您应用程序的二进制文件大小。

我们推荐大部分的开发者删简 x86，x86_64，和arm32 的ABIs。您可以通过如下的Gradle配置实现，这个配置只包括了 armeabi-v7a和arm64-v8a，该配置能涵盖住大部分的现代Android设备。

android {
    defaultConfig {
        ndk {
            abiFilters 'armeabi-v7a', 'arm64-v8a'
        }
    }
}

想要了解更多有关 abiFilters的信息, 请查看Android Gradle文档中的 NdkOptions。

在本地构建TensorFlow Lite

在某些情况下，您可能希望使用一个本地构建的TensorFlow Lite. 比如说，您可能正在构建一个自定义的包含了 从TensorFlow中选择的操作的二进制文件。

在这种情况下，请参照 自定义 AAR 构建说明 来创建你自己的AAR并将其包含在您的APP中.