人工智能、机器学习都已走进了我们的日常，尤其是愈演愈热的大数据更是跟我们的生活息息相关，做 人工智能、数据挖掘的人在其他人眼中感觉是很高大上的，总有一种遥不可及的感觉，在我司也经常会听到数据科学部的同事们提到 机器学习、数据挖掘 之类的词。但这些名词真的跟我们移动开发就没直接关系了吗？
作为移动开发者来说，无时无刻不被这些名词狠狠地敲打着脆弱的内心。???? ???? ???? 何时才能够将机器学习、深度学习应用在移动端，敲响移动端机器学习工业化的大门呢？
想象一下，某一天你身处一个完全陌生的环境，周围都是陌生的事物，而运行在iPhone的某个APP却对这个环境了如指掌，你要做的就是打开这个APP，输入你需要了解的事物，iPhone告诉你这个事物的信息，你也就没有了陌生事物了。世界就在眼前！
如下图：
上面物体的识别准确率还是蛮不错的，基本识别出了键盘（49%的概率）、鼠标（46%的概率）和水杯（24%的概率）。
但是在某些事物的识别准确度方便却差强人意，比如下图：
Phone 6被识别成了iPod（59%的概率），而iPod的却是不怎么敢认（10%的概率）。想想最崩溃的估计是iPhone 6了，身价直接被降了好几个等级。
上面的例子来自于TensorFlow官方iOSDemo，暂且不评述TensorFlow的识别准确度如何，毕竟它还年轻，但是仅凭其识别能力的体现，也给机器学习在移动端的运用带来了无限的可能。
一、TensorFlow（简称TF）
去年，Google资深系统专家Jeff Dean在湾区机器学习大会上隆重介绍了其第二代深度学习系统TensorFlow，一时间网络上针对TensorFlow的文章铺天盖地，揭秘TensorFlow：Google开源到底开的是什么？、Google开源TensorFlow系统，这背后都有什么门道？、如何评价Google发布的第二代深度学习系统TensorFlow?等等文章，TensorFlow的燎原之火一直在燃烧蔓延着，其GitHub上的开源库在此文撰写时，也已经被star：27550，fork：11054了。???? ???? ???? ???? ????
不负众望，Google一直宣称平台移植性非常好的TensorFlow，终于在2016年6月27日，发布0.9版本，宣布移动端支持。TensorFlow v0.9 now available with improved mobile support( 有墙???? )，同时也给出了移动端的Demo，对于代码为生的程序员，身处大数据处理为主导的TalkingData，也小试身手了一把，下载TensorFlow源码，查看编译指南，开始跳坑、填坑之路，也成就了此篇拙文的产生。
二、从TensorFlow到iOS静态库
对于iOS平台下如何使用TensorFlow，TensorFlow给出了详细的编译脚本命令，详情请查看官方文档的命令。
第一步. 工具准备
工欲善其事必先利其器，在开始编译工作之前，需要准备一些编译所必须的工具：
Homebrew: Mac os x 上包管理工具，具体使用方法可参考Doc。
|
1
|
$ /usr/bin/ruby -e
"$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
|
Homebrew安装好之后，依次安装三个辅助性编译工具：
|
1
2
3
|
$ brew
install
libtool
$ brew
install
autoconf
$ brew
install
automake
|
三个工具的含义，请参考：https://en.wikipedia.org/wiki/GNU_Libtool
第二步. 克隆TensorFlow
Google以Apache 2.0开源协议将TensorFlow开源在GitHub上，我们可以直接使用TensorFlow源码。
在任意你想存放TensorFlow源码的地方（建议不要放在桌面。^_^），clone项目。
|
1
|
$ git clone https://github.com/tensorflow/tensorflow
|
第三步. 编译前准备
在TensorFlow的tensorflow/contrib/makefile/目录下，有很多可使用的编译脚本，其中build_all_ios.sh脚本专门用来一键编译TensorFlow iOS静态库。虽然可以直接使用此脚本进行一键编译，但是因为有墙，某些依赖需要提前做处理。
1、下载protobuf
protobuf 是编译前唯一需要特殊处理的依赖库，点击下载，下载protobuf之后，解压，备用。
2、下载googlemock
虽然protobuf编译脚本autogen.sh中的googlemock链接地址https://googlemock.googlecode.com/files/gmock-1.7.0.zip无法直接下载到，但是细心的人会发现，在浏览器中输入 https://googlemock.googlecode.com/地址后，会跳转到https://github.com/google/googlemock地址，google在GiHub上的仓库地址。而GitHub上的仓库，我们可以直接的下载，克隆等。
我们直接在GitHub上下载googlemock(点击下载)，下载完成后，修改压缩包名字为gmock-1.7.0.zip，修改后将此压缩包移至上一步protobuf文件夹目录下，备用。
3、修改下载依赖脚本，移除protobuf的下载
在tensorflow/contrib/makefile/目录下，download_dependencies.sh脚本用来下载相关依赖，打开此脚本文件，注释掉或者直接删掉git clone https://github.com/google/protobuf.git ${DOWNLOADS_DIR}/protobuf部分，目的是不让脚本去下载protobuf。
上面三步准备好后，接下来就进入静态库编译了。
第四步. 一键编译
前面已经知道在TensorFlow文件夹tensorflow/contrib/makefile/目录下的build_all_ios.sh脚本是用来编译iOS静态库的脚本，因此可以直接执行此脚本，开始静态库的编译工作了。
但是有一个问题大家可能会发现，由于编译TensorFlow需要用到protobuf，但是protobuf使我们自己手动下载的，该怎么让手动下载的protobuf能够直接让build_all_ios.sh脚本使用呢？
答案是复制、粘贴。可能有些low，但是有效。执行命令 build_all_ios.sh之后，立即把之前手动下载的protobuf文件夹拷贝进tensorflow/contrib/makefile/downloads目录。（放心，你拷贝的速度会很快，不会影响编译的执行的。^_^）
|
1
|
$ build_all_ios.sh
|
一切准备就绪，接下来就是静静的等待编译完成了。在Mac编译的过程中，建议插上电源，最好不要让设备休眠断电，也最好不要去干别的东西，出去溜达一圈，回来后就看到战果了。
编译完成之后，会在tensorflow/contrib/makefile/gen/目录下看到编译的结果，关于这些静态库该如何使用，自己的项目如何应用，请参考TensorFlow iOS Examples。
三、遇到的问题
1、googlecode.com被墙了，需要FQ！（目前测试挂了VPN也没用），这也是上面编译前准备为什么要那么做的原因。
|
1
|
curl: (7) Failed to connect to googlemock.googlecode.com port 443: Operation timed out
|
解决： 请参考 『第三步. 编译前准备』。
2、没有Xcode。
|
1
2
3
4
|
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=
|
解决：安装Xcode，从上面报错的命令中可以看到，在编译静态库的过程中使用了xcrun，而此命令是xCode本身具有的能力。
3、你的Xcode版本不是7.3或以后，或者你有多个Xcode，而默认的安装路径版本不是7.3或以后。
``` error: Xcode 7.3.0 or later is required.
exit 1 ```/
解决：更新Xcode至最新版本，并且保证默认路径下是最新/版本。
如果Xcode是7.3，并且没有条件更新Xcode，你可以修改tensorflow/contrib/makefile/compile_ios_tensorflow.sh 里的REQUIRED_XCODE_VERSION=7.3.0，为REQUIRED_XCODE_VERSION=7.3。（这样修改，目前还不确定会不会带来一些其他影响，最好是升级你的Xcode）
想了解TensorFlow在Android平台的使用可以，看看 TalkingData SDK Team 另一篇的技术博客Tensorflow 在 Android 平台的移植
四、参考链接
-
-
TensorFlow 中文社区
-
TensorFlow for Mobile
-
Caffe、TensorFlow、MXnet三个开源库对比
-
如何评价Tensorflow和其它深度学习系统
-
深度学习框架大战正在进行，谁将夺取“深度学习工业标准”的荣耀？
-