Google Play 服務 C 和 C++ API 中的 LiteRT

Google Play 服務執行階段中的 LiteRT 可讓您執行機器學習 (ML) 模型，而無須將 LiteRT 程式庫靜態捆綁至應用程式。本指南將說明如何使用 Google Play 服務的 C 或 C++ API。

在 Google Play 服務 C API 或 C++ API 中使用 LiteRT 之前，請務必先安裝 CMake 建構工具。

更新建構設定

(1) 將下列依附元件新增至應用程式專案程式碼，以便存取 LiteRT 的 Play 服務 API：

implementation "com.google.android.gms:play-services-tflite-java:16.4.0"

請注意，雖然套件名稱結尾為 -java，但該套件也包含 C 和 C++ API。

(2) 接著，更新模組 build.gradle 檔案的 android 區塊，啟用 Prefab 功能，以便從 CMake 指令碼存取 C API：

buildFeatures {
  prefab = true
}

(3) [僅限 C++ API] 如果您使用 C++ API，請將 tflite-java-extract-cpp-sdk.gradle 複製到 app 目錄中的專案中，然後在應用程式的 Gradle 指令碼 (例如 app/build.gradle) 開頭新增以下內容：

apply from: 'tflite-java-extract-cpp-sdk.gradle'

這裡包含 Gradle 程式碼，可自動從 play-services-tflite-java 的 AAR 檔案解開 C++ SDK。

(4) [僅限 C++ API] 如果您使用的是 C++ API，請找出包含應用程式 CMake 設定檔 (通常為 CMakeLists.txt) 的目錄；該目錄通常是 app/src/main/cpp 目錄。接著，將 Findtflite_cc_api.cmake 複製到專案中，並放在該目錄的新 Modules 子目錄中。這裡的程式碼會尋找先前步驟中 Gradle 指令碼解壓縮的 C++ SDK。

(5) 最後，您需要新增套件 tensorflowlite_jni_gms_client，以及 C++ API 的套件 tflite_cc_api，這兩者都是從 AAR 匯入，做為 CMake 指令碼中的依附元件：

初始化 LiteRT 執行階段

在呼叫 LiteRT Native API 之前，您必須在 Java 或 Kotlin 程式碼中初始化 TfLiteNative 執行階段。

Task tfLiteInitializeTask = TfLiteNative.initialize(context);
      

val tfLiteInitializeTask: Task = TfLiteNative.initialize(context)
        

使用 Google Play 服務 Task API，TfLiteNative.initialize 會以非同步方式將 TFLite 執行階段從 Google Play 服務載入至應用程式的執行階段程序。請使用 addOnSuccessListener()，確保 TfLite.initialize() 工作在執行存取 LiteRT API 的程式碼前完成。工作順利完成後，您可以叫用所有可用的 TFLite Native API。

原生程式碼實作

如要在 Google Play 服務中使用 LiteRT 和 C/C++ 程式碼，您可以執行下列任一 (或兩者) 操作：

• 宣告新的 JNI 函式，以便從 Java 程式碼呼叫 C 或 C++ 函式
• 從現有的 C 或 C++ 程式碼呼叫 LiteRT Native API。

JNI 函式

您可以宣告新的 JNI 函式，讓 Java/Kotlin 程式碼能夠存取在 C/C++ 程式碼中宣告的 LiteRT 執行階段，如下所示：

package com.google.samples.gms.tflite.c;

public class TfLiteJni {
  static {
    System.loadLibrary("tflite-jni");
  }
  public TfLiteJni() { /**/ };
  public native void loadModel(AssetManager assetManager, String assetName);
  public native float[] runInference(float[] input);  // For example.
}
      

package com.google.samples.gms.tflite.c

class TfLiteJni() {
  companion object {
    init {
      System.loadLibrary("tflite-jni")
    }
  }
  external fun loadModel(assetManager: AssetManager, assetName: String)
  external fun runInference(input: FloatArray): FloatArray  // For example.
}
        

比對下列 loadModel 和 runInference C 或 C++ 函式：

#ifdef __cplusplus
extern "C" {
#endif

void Java_com_google_samples_gms_tflite_c_loadModel(
  JNIEnv *env, jobject tflite_jni, jobject asset_manager, jstring asset_name){
  //...
}

jfloatArray Java_com_google_samples_gms_tflite_c_TfLiteJni_runInference(
  JNIEnv* env, jobject tfliteJni, jfloatArray input) {
  //...
}

#ifdef __cplusplus
}  // extern "C".
#endif

接著，您可以從 Java/Kotlin 程式碼呼叫 C/C++ 函式：

tfLiteHandleTask.onSuccessTask(unused -> {
    TfLiteJni jni = new TfLiteJni();
    jni.loadModel(getAssets(), "add.bin");
    //...
});
    

tfLiteHandleTask.onSuccessTask {
    val jni = TfLiteJni()
    jni.loadModel(assets, "add.bin")
    // ...
}
      

原生程式碼中的 LiteRT

納入適當的 API 標頭檔案，以便納入 LiteRT with Google Play 服務 API：

接著，您可以使用一般 LiteRT C 或 C++ API：

支援的 API