安妮 编译整理 量子位 出品 | 公众号 QbitAI 

还得从半年前说起。 今年5月的谷歌I/O大会上，安卓工程副总裁Dave Burke宣布将推出一个专门为移动设备优化的TensorFlow，称为TensorFlow Lite。

安卓工程副总裁Dave Burke 自谷歌公布这个计划以来，已经涌现出了很多移动端部署AI的产品，包括苹果的CoreML、Clarifai移动端训练AI的云服务、还有像华为Mate 10上的硬件麒麟970 AI处理器。 今天，谷歌终于宣布推出TensorFlow Lite，它是TensorFlow在移动和嵌入式设备中的轻量解决方案，为开发者提供在移动和嵌入设备上部署AI的能力。 

特性 从机架式服务器到小型物联网设备，TensorFlow已经能在很多平台上运行。 有一个问题是，随着使用的机器学习模型数量在近几年呈指数型增长，所以有必要在移动和嵌入设备中部署它们。TensorFlow Lite支持设备内（on-device）的机器学习模型的低延迟推理。 它有以下三点重要特性： 轻量 ：支持小型binary size和快速初始化/启动的设备内机器学习模型的推理。 跨平台 ：为可在多个不同平台上运行而设计运行时，首先允许安卓和iOS平台使用。 快速 ：对移动设备进行优化，包括有显著改善的模型加载时间，并且支持硬件加速。 今天，越来越多的移动设备中加入了为特定用途的定制硬件，使之更有效地处理机器学习的负载。TensorFlow Lite用安卓的神经网络API，以利用新的加速器。 当加速器硬件不可用时，TensorFlow Lite返回优化的CPU执行操作，保证模型仍让在很多设备上快速运行。 架构 先来看张TensorFlow Lite的架构图：

单个组件包括： TensorFlow模型 ：一个存储在磁盘中的TensorFlow模型。 TensorFlow Lite转换器 ：将模型转化为TensorFlow Lite文件格式的程序。 TensorFlow Lite模型文件 ：基于FlatBuffers的模型文件格式，已经对最大速度和最小规模进行过优化。 TensorFlow Lite模型之后会被部署到手机APP中，包括： Java API ：安卓上C++ API的轻便封装 C++ API ：加载TensorFlow Lite模型文件并调用编译器，在安卓和iOS系统中都有体现。 编译器 ：用一系列运算符执行模型。编译器支持加载可选择的操作符；如果没有运算符，编译器只有70KB，当所有运算符加载完时为300KB，比TensorFlow Mobile需要的1.5M小很多。 在选中的安卓设备上，编译器将用安卓神经网络API实现硬件加速，如果无API可用，将默认用CPU执行。 开发人员也可以使用C++ API实现自定义的内核，也可以被编译器使用。 

模型 目前，TensorFlow Lite已经开始支持一系列在手机上训练和优化过的模型： MobileNet ：一种能识别1000多种不同物体类别的视觉模型，专为高效执行移动和嵌入式设备而设计。 nception v3 ：功能类似MobileNet的图像识别模型，它的准确性更高，尺寸也更大。 智能回复 ：一种设备内部的对话模型，支持即时回复对话聊天信息。第一方和第三方的讯息App在Android Wear上使用这个特征。 Inception v3和MobileNet已经在ImageNet数据集上进行了训练。你可以通过迁移学习在你的图像数据集上重新训练这些数据。 未来 目前，TensorFlow已经可以通过TensorFlow Mobile API支持移动嵌入设备中的模型部署。未来，TensorFlow Lite应该被当做TensorFlow Mobile的进化版，随着不断优化将成为移动和嵌入设备上部署模型的推荐解决方案。 今天推出的TensorFlow Lite还是开发者预览版本，目前TensorFlow Mobile已久支持应用程序的开发。