你可知它到底难在哪里（再不知道它你就Out了）

你可知它到底难在哪里（再不知道它你就Out了）图片识别风景图片识别猫咪说一嘴：各种文档当中会提到Bazel来构建源文件，由于Windows下不支持使用Bazel从源码编译，我们也不需要编译TensorFlow的源代码，因此需要在工程的build.gradle文件中把它关掉。官方Demo以及dongchangzahng移植成功的项目图片识别耳坠

最早注意到利用一般的芯片来机型高速率的运算大概两三年前，国外的同学说他们的方向是在利用某型号芯片来运行模式识别的模型。当时对芯片的理解还是：MCS-51系列、飞思卡尔的单片机等，难以相信本该是在高配置计算机上运行的算法能够在小小的芯片中运行良好。芯片日新月异的发展也为此提供了硬件支撑。在这种背景下，TensorFlow Lite的提出简直就是大势所趋。TensorFlow Lite 是 Google I/O 2017 大会上的其中一个重要宣布，有了TensorFlow Lite，应用开发者可以在移动设备上部署人工智能。Google 表示 Lite 版本 TensorFlow 是 TensorFlow Mobile 的一个延伸版本。尽管是一个轻量级版本，依然是在智能手机和嵌入式设备上部署深度学习的一大动作。

不过目前来说，TensorFlow可用的模型还是比较少，最常用的应该是Image Classify。作为一个在机器学习门口张望的人，我们目前还只能借用官方demo来了解使用流程，观察分类效果。

运行官方Demo对环境稍微有所要求：

Android Studio 3.0及以上， SDK Version API26及以上， NDK Version 14及以上。

说一嘴：各种文档当中会提到Bazel来构建源文件，由于Windows下不支持使用Bazel从源码编译，我们也不需要编译TensorFlow的源代码，因此需要在工程的build.gradle文件中把它关掉。

官方Demo以及dongchangzahng移植成功的项目

图片识别耳坠

图片识别猫咪

图片识别风景

图片识别二次元图片

图片识别花朵

TF Detect

TFClassify

TF Stylize

不得不说，TensorFlow Lote的运算效率要求是比较高，每次运行完相关Demo，我的手机都会发烫。

作为移动端的开发者，眼见AI的红海而不得入确实会有所躁动。但是AI对数学能力要求和学术研究能力确实较高，做起来也没有移动端这么有趣，各位还是根据自身条件评估一下啦。不妨先从TensorFlow Lite入手~

作为一个小菜鸟，描述有不当的地方希望看官评论提出。