Android Studio 人工智能开发入门指南：从环境搭建到第一个AI应用

1次阅读

没有评论

共计 2966 个字符，预计需要花费 8 分钟才能阅读完成。

作为一名 Android 开发者，想要在应用中集成 AI 功能时，常常会遇到以下问题：

环境配置复杂，需要处理各种依赖和兼容性问题
预训练模型体积庞大，难以直接部署到移动端
缺乏对模型优化和性能调优的经验
不同设备的硬件加速支持差异大

这些痛点让很多开发者望而却步，但其实通过合适的工具链和方法，完全可以快速上手移动端 AI 开发。

目前主流的移动端 AI 框架主要有以下几种：

TensorFlow Lite
优点：轻量级、跨平台、支持硬件加速
缺点：需要手动转换模型，优化门槛较高
ML Kit
优点：Google 官方出品，API 简单易用
缺点：功能相对固定，自定义能力有限
PyTorch Mobile
优点：动态图优势，研究友好
缺点：生态相对 TensorFlow Lite 较弱

对于大多数场景，TensorFlow Lite 提供了最佳平衡点，既有足够的灵活性，又有良好的性能表现。

在 Android Studio 中，首先确保已安装以下组件：

Android Studio 4.1 或更高版本
Android SDK API 级别 21 或更高
NDK（Native Development Kit）

在 app 模块的 build.gradle 文件中添加：

dependencies {
    implementation 'org.tensorflow:tensorflow-lite:2.8.0'
    implementation 'org.tensorflow:tensorflow-lite-gpu:2.8.0'
}

将转换好的.tflite 模型文件放在 app/src/main/assets 目录下，并在 build.gradle 中配置：

android {
    aaptOptions {noCompress "tflite"}
}

可以从 TensorFlow Hub 下载预训练模型，例如 MobileNetV2：

import tensorflow as tf

model = tf.keras.applications.MobileNetV2(input_shape=(224, 224, 3),
    include_top=True,
    weights='imagenet'
)

使用 TFLiteConverter 进行转换：

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

with open('mobilenet_v2.tflite', 'wb') as f:
    f.write(tflite_model)

为了减小模型体积，可以进行量化：

converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_quant_model = converter.convert()

private lateinit var tflite: Interpreter

fun loadModelFile(context: Context): MappedByteBuffer {val fileDescriptor = context.assets.openFd(modelPath)
    val inputStream = FileInputStream(fileDescriptor.fileDescriptor)
    val fileChannel = inputStream.channel
    val startOffset = fileDescriptor.startOffset
    val declaredLength = fileDescriptor.declaredLength
    return fileChannel.map(FileChannel.MapMode.READ_ONLY, startOffset, declaredLength)
}

// 初始化
val tfliteOptions = Interpreter.Options()
tfliteOptions.setUseNNAPI(true) // 启用神经网络 API 加速
tflite = Interpreter(loadModelFile(context), tfliteOptions)

fun preprocessImage(bitmap: Bitmap): ByteBuffer {
    val imgData = ByteBuffer.allocateDirect(1 * 224 * 224 * 3 * 4 // batchSize * height * width * channels * 4bytes)
    imgData.order(ByteOrder.nativeOrder())

    val resizedBitmap = Bitmap.createScaledBitmap(bitmap, 224, 224, false)
    val intValues = IntArray(224 * 224)
    resizedBitmap.getPixels(intValues, 0, 224, 0, 0, 224, 224)

    var pixel = 0
    for (i in 0 until 224) {for (j in 0 until 224) {val value = intValues[pixel++]
            imgData.putFloat(((value shr 16) and 0xFF) / 255.0f)
            imgData.putFloat(((value shr 8) and 0xFF) / 255.0f)
            imgData.putFloat((value and 0xFF) / 255.0f)
        }
    }
    return imgData
}

fun recognizeImage(bitmap: Bitmap): String {val input = preprocessImage(bitmap)
    val output = Array(1) {FloatArray(1000) } // 1000 类输出

    tflite.run(input, output)

    val maxPos = output[0].indices.maxByOrNull {output[0][it] } ?: -1
    return labels[maxPos] // labels 是类别标签数组
}