iOS 快速入門導覽課程

您可以使用 LiteRT 在 iOS 應用程式中執行 TensorFlow、PyTorch 和 JAX 模型。LiteRT 系統提供預先建構且可自訂的執行環境，可在 iOS 上快速且有效率地執行模型，並提供額外的版本管理彈性，以及可選的委派函記錄，例如 coreML 和 Metal，以提升效能。

例如使用 LiteRT 的 iOS 應用程式，請參閱 LiteRT 範例存放區。

將 LiteRT 新增至 Swift 或 Objective-C 專案

LiteRT 提供以 Swift 和 Objective-C 編寫的原生 iOS 程式庫。

以下各節將說明如何將 LiteRT Swift 或 Objective-C 新增至專案：

CocoaPods 開發人員

在 Podfile 中新增 LiteRT Pod。接著執行 pod install。

Swift

use_frameworks!
pod 'TensorFlowLiteSwift'

Objective-C

pod 'TensorFlowLiteObjC'

指定版本

TensorFlowLiteSwift 和 TensorFlowLiteObjC 的 Pod 都提供穩定版和每晚版。如果您未指定版本限制 (如上方範例所示)，CocoaPods 會預設提取最新穩定版本。

您也可以指定版本限制。舉例來說，如果您想依附 2.10.0 版，可以將依附元件寫成以下形式：

pod 'TensorFlowLiteSwift', '~> 2.10.0'

這樣可確保應用程式使用 TensorFlowLiteSwift 的最新 2.x.y 版。如果您想依附每日版本，也可以編寫以下內容：

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

從 2.4.0 版和最新的夜間版本開始，系統會預設將 GPU 和 Core ML 委派程式庫排除在 Pod 之外，以縮減二進位檔大小。您可以透過指定子規格加入這些項目：

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

這樣一來，您就能使用 LiteRT 新增的最新功能。請注意，第一次執行 pod install 指令時，系統會建立 Podfile.lock 檔案，並將每日程式庫版本鎖定為目前日期的版本。如要將 nightly 程式庫更新為較新的程式庫，請執行 pod update 指令。

如要進一步瞭解如何指定版本限制，請參閱「指定 Pod 版本」。

Bazel 開發人員

在 BUILD 檔案中，將 TensorFlowLite 依附元件新增至目標。

Swift

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

Objective-C

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

C/C++ API

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",
  ],
)

匯入程式庫

如果是 Swift 檔案，請匯入 LiteRT 模組：

import TensorFlowLite

如果是 Objective-C 檔案，請匯入總標頭：

#import "TFLTensorFlowLite.h"

或者，如果您在 Xcode 專案中設定 CLANG_ENABLE_MODULES = YES，則為模組：

@import TFLTensorFlowLite;