人工智能、機器學習都已走進了我們的日常，尤其是愈演愈熱的大數據更是跟我們的生活息息相關，做 人工智能、數據挖掘的人在其他人眼中感覺是很高大上的，總有一種遙不可及的感覺，在我司也經常會聽到數據科學部的同事們提到 機器學習、數據挖掘 之類的詞。但這些名詞真的跟我們移動開發就沒直接關系了嗎？  
作為移動開發者來說，無時無刻不被這些名詞狠狠地敲打著脆弱的內心。???? ???? ???? 何時才能夠將機器學習、深度學習應用在移動端，敲響移動端機器學習工業化的大門呢？

想象一下，某一天你身處一個完全陌生的環境，周圍都是陌生的事物，而運行在iPhone的某個APP卻對這個環境了如指掌，你要做的就是打開這個APP，輸入你需要了解的事物，iPhone告訴你這個事物的信息，你也就沒有了陌生事物了。世界就在眼前！

如下圖： 　　

上面物體的識別准確率還是蠻不錯的，基本識別出了鍵盤（49%的概率）、鼠標（46%的概率）和水杯（24%的概率）。

但是在某些事物的識別准確度方便卻差強人意，比如下圖：

Phone 6被識別成了iPod（59%的概率），而iPod的卻是不怎麼敢認（10%的概率）。想想最崩潰的估計是iPhone 6了，身價直接被降了好幾個等級。

　　

上面的例子來自於TensorFlow官方iOSDemo，暫且不評述TensorFlow的識別准確度如何，畢竟它還年輕，但是僅憑其識別能力的體現，也給機器學習在移動端的運用帶來了無限的可能。

一、TensorFlow（簡稱TF）

去年，Google資深系統專家Jeff Dean在灣區機器學習大會上隆重介紹了其第二代深度學習系統TensorFlow，一時間網絡上針對TensorFlow的文章鋪天蓋地，揭秘TensorFlow：Google開源到底開的是什麼？、Google開源TensorFlow系統，這背後都有什麼門道？、如何評價Google發布的第二代深度學習系統TensorFlow?等等文章，TensorFlow的燎原之火一直在燃燒蔓延著，其GitHub上的開源庫在此文撰寫時，也已經被star：27550，fork：11054了。???? ???? ???? ???? ????

不負眾望，Google一直宣稱平台移植性非常好的TensorFlow，終於在2016年6月27日，發布0.9版本，宣布移動端支持。TensorFlow v0.9 now available with improved mobile support( 有牆???? )，同時也給出了移動端的Demo，對於代碼為生的程序員，身處大數據處理為主導的TalkingData，也小試身手了一把，下載TensorFlow源碼，查看編譯指南，開始跳坑、填坑之路，也成就了此篇拙文的產生。

二、從TensorFlow到iOS靜態庫

對於iOS平台下如何使用TensorFlow，TensorFlow給出了詳細的編譯腳本命令，詳情請查看官方文檔的命令。

第一步. 工具准備

工欲善其事必先利其器，在開始編譯工作之前，需要准備一些編譯所必須的工具：

Homebrew: Mac os x 上包管理工具，具體使用方法可參考Doc。

$ /usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

Homebrew安裝好之後，依次安裝三個輔助性編譯工具：

$ brew install libtool   
$ brew install autoconf   
$ brew install automake

三個工具的含義，請參考：https://en.wikipedia.org/wiki/GNU_Libtool

第二步. 克隆TensorFlow

Google以Apache 2.0開源協議將TensorFlow開源在GitHub上，我們可以直接使用TensorFlow源碼。

在任意你想存放TensorFlow源碼的地方（建議不要放在桌面。^_^），clone項目。

$ git clone https://github.com/tensorflow/tensorflow

第三步. 編譯前准備

在TensorFlow的tensorflow/contrib/makefile/目錄下，有很多可使用的編譯腳本，其中build_all_ios.sh腳本專門用來一鍵編譯TensorFlow iOS靜態庫。雖然可以直接使用此腳本進行一鍵編譯，但是因為有牆，某些依賴需要提前做處理。

 1、下載protobuf

        protobuf 是編譯前唯一需要特殊處理的依賴庫，點擊下載，下載protobuf之後，解壓，備用。

  2、下載googlemock

        雖然protobuf編譯腳本autogen.sh中的googlemock鏈接地址https://googlemock.googlecode.com/files/gmock-1.7.0.zip無法直接下載到，但是細心的人會發現，在浏覽器中輸入                  https://googlemock.googlecode.com/地址後，會跳轉到https://github.com/google/googlemock地址，google在GiHub上的倉庫地址。而GitHub上的倉庫，我們可以直接的下載，克隆等。

我們直接在GitHub上下載googlemock(點擊下載)，下載完成後，修改壓縮包名字為gmock-1.7.0.zip，修改後將此壓縮包移至上一步protobuf文件夾目錄下，備用。

 3、修改下載依賴腳本，移除protobuf的下載

在tensorflow/contrib/makefile/目錄下，download_dependencies.sh腳本用來下載相關依賴，打開此腳本文件，注釋掉或者直接刪掉git clone https://github.com/google/protobuf.git ${DOWNLOADS_DIR}/protobuf部分，目的是不讓腳本去下載protobuf。

上面三步准備好後，接下來就進入靜態庫編譯了。

第四步. 一鍵編譯

前面已經知道在TensorFlow文件夾tensorflow/contrib/makefile/目錄下的build_all_ios.sh腳本是用來編譯iOS靜態庫的腳本，因此可以直接執行此腳本，開始靜態庫的編譯工作了。

但是有一個問題大家可能會發現，由於編譯TensorFlow需要用到protobuf，但是protobuf使我們自己手動下載的，該怎麼讓手動下載的protobuf能夠直接讓build_all_ios.sh腳本使用呢？

答案是復制、粘貼。可能有些low，但是有效。執行命令 build_all_ios.sh之後，立即把之前手動下載的protobuf文件夾拷貝進tensorflow/contrib/makefile/downloads目錄。（放心，你拷貝的速度會很快，不會影響編譯的執行的。^_^）

$ build_all_ios.sh

一切准備就緒，接下來就是靜靜的等待編譯完成了。在Mac編譯的過程中，建議插上電源，最好不要讓設備休眠斷電，也最好不要去干別的東西，出去溜達一圈，回來後就看到戰果了。

編譯完成之後，會在tensorflow/contrib/makefile/gen/目錄下看到編譯的結果，關於這些靜態庫該如何使用，自己的項目如何應用，請參考TensorFlow iOS Examples。

三、遇到的問題

1、googlecode.com被牆了，需要翻牆！（目前測試掛了VPN也沒用），這也是上面編譯前准備為什麼要那麼做的原因。

curl: (7) Failed to connect to googlemock.googlecode.com port 443: Operation timed out

解決： 請參考 『第三步. 編譯前准備』。

2、沒有Xcode。

xcrun: error: SDK "iphoneos" cannot be located
xcrun: error: SDK "iphoneos" cannot be located
xcrun: error: unable to lookup item 'PlatformPath' in SDK 'iphoneos'
+ IPHONEOS_PLATFORM=

解決：安裝Xcode，從上面報錯的命令中可以看到，在編譯靜態庫的過程中使用了xcrun，而此命令是xCode本身具有的能力。

3、你的Xcode版本不是7.3或以後，或者你有多個Xcode，而默認的安裝路徑版本不是7.3或以後。

``` error: Xcode 7.3.0 or later is required.

exit 1 ```/

解決：更新Xcode至最新版本，並且保證默認路徑下是最新/版本。

如果Xcode是7.3，並且沒有條件更新Xcode，你可以修改tensorflow/contrib/makefile/compile_ios_tensorflow.sh 裡的REQUIRED_XCODE_VERSION=7.3.0，為REQUIRED_XCODE_VERSION=7.3。（這樣修改，目前還不確定會不會帶來一些其他影響，最好是升級你的Xcode）

想了解TensorFlow在Android平台的使用可以，看看 TalkingData SDK Team 另一篇的技術博客Tensorflow 在 Android 平台的移植

四、參考鏈接

• TensorFlow 中文社區

• TensorFlow for Mobile

• Caffe、TensorFlow、MXnet三個開源庫對比

• 如何評價Tensorflow和其它深度學習系統

• 深度學習框架大戰正在進行，誰將奪取“深度學習工業標准”的榮耀？