iOS 版快速入门

借助 LiteRT，您可以在 iOS 应用中运行 TensorFlow、PyTorch 和 JAX 模型。LiteRT 系统提供预构建且可自定义的执行环境，可快速高效地在 iOS 上运行模型，并提供额外的版本管理灵活性，以及 coreML 和 Metal 等可选代理以提升性能。

例如，使用 LiteRT 的 iOS 应用，请参阅 LiteRT 示例代码库。

将 LiteRT 添加到您的 Swift 或 Objective-C 项目

LiteRT 提供以 Swift 和 Objective-C 编写的原生 iOS 库。

以下部分演示了如何将 LiteRT Swift 或 Objective-C 添加到您的项目中：

CocoaPods 开发者

在 Podfile 中，添加 LiteRT pod。然后，运行 pod install。

Swift

use_frameworks!
pod 'TensorFlowLiteSwift'

Objective-C

pod 'TensorFlowLiteObjC'

指定版本

TensorFlowLiteSwift 和 TensorFlowLiteObjC pod 都提供稳定版和夜间版。如果您未指定版本约束条件（如上例所示），CocoaPods 将默认拉取最新的稳定版。

您还可以指定版本约束条件。例如，如果您希望依赖于版本 2.10.0，可以将依赖项编写为：

pod 'TensorFlowLiteSwift', '~> 2.10.0'

这将确保应用中使用的是最新的 2.x.y 版 TensorFlowLiteSwift pod。或者，如果您想依赖于每夜 build，可以编写以下代码：

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly'

从 2.4.0 版和最新的每夜版本开始，系统会默认从 pod 中排除 GPU 和 Core ML 代理，以减小二进制文件大小。您可以通过指定子规范来添加它们：

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly', :subspecs => ['CoreML', 'Metal']

这样，您就可以使用 LiteRT 中新增的最新功能。请注意，在您首次运行 pod install 命令时创建 Podfile.lock 文件后，每夜库版本将锁定为当前日期的版本。如果您想将每夜库更新为较新版本，则应运行 pod update 命令。

如需详细了解指定版本约束条件的不同方法，请参阅指定 pod 版本。

Bazel 开发者

在 BUILD 文件中，将 TensorFlowLite 依赖项添加到目标中。

Swift

swift_library(
  deps = [
      "//tensorflow/lite/swift:TensorFlowLite",
  ],
)

Objective-C

objc_library(
  deps = [
      "//tensorflow/lite/objc:TensorFlowLite",
  ],
)

C/C++ API

或者，您也可以使用 C API 或 C++ API

# Using C API directly
objc_library(
  deps = [
      "//tensorflow/lite/c:c_api",
  ],
)

# Using C++ API directly
objc_library(
  deps = [
      "//tensorflow/lite:framework",
  ],
)

导入库

对于 Swift 文件，请导入 LiteRT 模块：

import TensorFlowLite

对于 Objective-C 文件，请导入伞形头文件：

#import "TFLTensorFlowLite.h"

或者，如果您在 Xcode 项目中设置了 CLANG_ENABLE_MODULES = YES，则为模块：

@import TFLTensorFlowLite;