步骤 1 . 创建一个基本的 iOS 应用程序

打开Xcode 并选择文件 → 新建项目。系统会要求您为新项目选择模板。选择 Single View App，这是最简单的模板（图 14-1），然后单击 Next。

之后，系统会要求您为新项目选择选项，包括应用程序的名称。将其命名为firstlite，并确保语言是 Swift 并且用户界面是 Storyboard（图 14-2）。

图 14-1。在 Xcode 中创建一个新的 iOS 应用程序

图 14-2。为您的新项目选择选项

 单击“下一步”创建将在 iPhone 或 iPad 模拟器上运行的基本 iOS 应用程序。下一步是将 TensorFlow Lite 添加到其中。

至向 iOS 项目添加依赖项，您可以使用一种称为CocoaPods的技术，这是一个依赖项管理项目，具有数千个可以轻松集成到您的应用程序中的库。为此，您需要创建一个称为 Podfile 的规范，其中包含有关您的项目和您要使用的依赖项的详细信息。这是一个名为Podfile （无扩展名）的简单文本文件，您应该将其放在与Xcode 为您创建的firstlite.xcodeproj文件相同的目录中。其内容应如下：

# Uncomment the next line to define a global platform for your project
platform :ios, '12.0'

target 'firstlite' do
  # Comment the next line if you're not using Swift and don't want to 
  # use dynamic frameworks
  use_frameworks!

  # Pods for ImageClassification
  pod 'TensorFlowLiteSwift'
end

重要的部分是显示为 的行pod 'TensorFlowLiteSwift'，它表示需要将 TensorFlow Lite Swift 库添加到项目中。

接下来，使用终端，切换到包含 Podfile 的目录并发出以下命令：

pod install

依赖项将被下载并添加到您的项目中，存储在一个名为Pods的新文件夹中。您还将添加一个.xcworkspace文件，如图 14-3所示。以后使用这个来打开您的项目，而不是.xcodeproj文件。

图 14-3。运行 pod install 后的文件结构

 您现在拥有一个基本的 iOS 应用程序，并且您已经添加了 TensorFlow Lite 依赖项。下一步是创建用户界面。

这Xcode 故事板编辑器是一种可视化工具，可让您创建用户界面。打开工作区后，您会在左侧看到源文件列表。选择Main.storyboard，然后使用控件面板，您可以将控件拖放到 iPhone 屏幕的视图上（图 14-4）。

图 14-4。向故事板添加控件

 如果找不到控件选项板，可以通过单击屏幕右上角的 + 访问它（在图 14-4中突出显示）。使用它，添加一个标签，并将文本更改为“输入数字”。然后添加另一个文本“Result goes here”。添加一个按钮并将其标题更改为“Go”，最后添加一个文本字段。按照与图 14-4中看到的类似的方式排列它们。它不必很漂亮！

现在控件已经布置好，您希望能够在代码中引用它们。用故事板的说法，您可以使用outlet（当您想要寻址控件以读取或设置其内容时）或操作（当您想要在用户与控件交互时执行某些代码时）来执行此操作。

最简单的连接方式是分屏，故事板在一侧，ViewController.swift代码在另一侧。您可以通过选择分屏控件（在图 14-5中突出显示），单击一侧并选择故事板，然后单击另一侧并选择ViewController.swift来实现此目的。

图 14-5。分割画面

 完成此操作后，您可以开始通过拖放来创建出口和操作。使用这个应用程序，用户在文本字段中键入一个数字，按下 Go，然后对他们键入的值运行推理。结果将呈现在标有“Result goes here”的标签中。

这意味着您需要读取或写入两个控件，读取文本字段的内容以获取用户输入的内容，并将结果写入“Results goes here”标签。因此，您需要两个插座。要创建它们，请按住 Ctrl 键并将故事板上的控件拖到ViewController.swift文件上，将其放在类定义的正下方。将出现一个弹出窗口，要求您定义它（图 14-6）。

图 14-6。创建出口

 确保连接类型为 Outlet，并为名为 的文本字段创建一个插座，为名为txtUserData的标签创建一个插座txtResult。

接下来，将按钮拖到ViewController.swift文件中。在弹出窗口中，确保连接类型为 Action，事件类型为 Touch Up Inside。使用它来定义一个名为btnGo（图 14-7）的动作。

图 14-7。添加动作

 此时你的ViewController.swift文件应该是这样的——注意IBOutlet代码IBAction：

import UIKit

class ViewController: UIViewController {
    @IBOutlet weak var txtUserData: UITextField!
    
    @IBOutlet weak var txtResult: UILabel!
    @IBAction func btnGo(_ sender: Any) {
    }
    override func viewDidLoad() {
        super.viewDidLoad()
        // Do any additional setup after loading the view.
    }
}

现在 UI 已摆正，下一步将是创建处理推理的代码。与其将它与逻辑放在同一个 Swift 文件中，不如ViewController将它放在一个单独的代码文件中。

至将 UI 与底层模型推断分开，您将创建一个包含ModelParser类的新 Swift 文件。将数据导入模型、运行推理然后解析结果的所有工作都将在这里进行。在 Xcode 中，选择 File → New File 并选择 Swift File 作为模板类型（图 14-8）。

图 14-8。添加一个新的 Swift 文件

 调用此ModelParser，并确保选中将其定位到 firstlite 项目的复选框（图 14-9）。

图 14-9。将 ModelParser.swift 添加到您的项目

 这会将一个ModelParser.swift文件添加到您的项目中，您可以编辑该文件以添加推理逻辑。首先，确保文件顶部的导入包括TensorFlowLite：

import Foundation
import TensorFlowLite

您将向此类传递对模型文件model.tflite的引用——您尚未添加它，但您很快就会：

typealias FileInfo = (name: String, extension: String)

enum ModelFile {
  static let modelInfo: FileInfo = (name: "model", extension: "tflite")
}

这typealias使enum代码更加紧凑。稍后您将看到它们的使用。接下来您需要将模型加载到解释器中，因此首先将解释器声明为类的私有变量：

private var interpreter: Interpreter

Swift 需要初始化变量，您可以在init函数中进行初始化。以下函数将采用两个输入参数。第一个modelFileInfo是FileInfo您刚刚声明的类型。第二个threadCount是用于初始化解释器的线程数，我们将其设置为1。在此函数中，您将创建对您之前描述的模型文件 ( model.tflite ) 的引用：

init?(modelFileInfo: FileInfo, threadCount: Int = 1) {
  let modelFilename = modelFileInfo.name

  guard let modelPath = Bundle.main.path
  (
    forResource: modelFilename,
    ofType: modelFileInfo.extension
  )
  else {
    print("Failed to load the model file")
    return nil
  }

一旦你有了包中模型文件的路径，你就可以加载它：

do
  {
    interpreter = try Interpreter(modelPath: modelPath)
  }
  catch let error
  {
    print("Failed to create the interpreter")
    return nil
  }

内ModelParser类，然后您可以进行推理。用户将在文本字段中键入一个字符串值，该字符串值将被转换为浮点数，因此您需要一个接受浮点数、将其传递给模型、运行推理并解析返回值的函数。

首先创建一个名为 的函数runModel。您的代码将需要捕获错误，因此以以下开头do{：

func runModel(withInput input: Float) -> Float? {
    do{

接下来，您需要在解释器上分配张量。这将对其进行初始化并准备好进行推理：

    try interpreter.allocateTensors()

然后您将创建输入张量。由于 Swift 没有Tensor数据类型，您需要将数据直接写入内存中的UnsafeMutableBufferPointer. 您可以指定 this 的类型，即Float，并从名为 的变量的地址开始写入一个值（因为您只有一个浮点数）data。这将有效地将浮点数的所有字节复制到缓冲区中：

    var data: Float = input
      let buffer: UnsafeMutableBufferPointer<Float> = 
          UnsafeMutableBufferPointer(start: &data, count: 1)

使用缓冲区中的数据，您可以将其复制到输入 0 处的解释器。您只有一个输入张量，因此可以将其指定为缓冲区：

    try interpreter.copy(Data(buffer: buffer), toInputAt: 0)

要执行推理，您需要调用解释器：

    try interpreter.invoke()

只有一个输出张量，因此您可以通过将输出设为 0 来读取它：

    let outputTensor = try interpreter.output(at: 0)

与输入值时类似，您正在处理低级内存，这是不安全的数据。它在一个值数组中Float32（它只有一个元素但仍然需要被视为一个数组），可以这样读：

    let results: [Float32] = 
          [Float32](unsafeData: outputTensor.data) ?? []

如果您不熟悉??语法，这表示Float32通过将输出张量复制到其中来使结果成为一个数组，如果失败，则将其设为一个空数组。为了让这段代码起作用，你需要实现一个Array扩展；完整的代码将在稍后显示。

一旦您将结果放入数组中，第一个元素就是您的结果。如果失败，只需返回nil：

    guard let result = results.first else {
        return nil
      }
      return result
    }

该函数以 a 开头do{，因此您需要捕获任何错误、打印它们并nil在该事件中返回：

  catch {
      print(error)
      return nil
    }
  }
}

最后，仍然在ModelParser.swift中，您可以添加Array处理不安全数据的扩展并将其加载到数组中：

extension Array {
  init?(unsafeData: Data) {
    guard unsafeData.count % MemoryLayout<Element>.stride == 0
        else { return nil }
    #if swift(>=5.0)
    self = unsafeData.withUnsafeBytes {
      .init($0.bindMemory(to: Element.self))
    }
    #else
    self = unsafeData.withUnsafeBytes {
      .init(UnsafeBufferPointer<Element>(
        start: $0,
        count: unsafeData.count / MemoryLayout<Element>.stride
      ))
    }
    #endif  // swift(>=5.0)
  }
}

如果你想直接从 TensorFlow Lite 模型中解析浮点数，这是一个方便的助手，你可以使用它。

现在解析模型的类已经完成，下一步是将模型添加到您的应用程序中。

步骤 6 . 将模型添加到您的应用程序

至将模型添加到您的应用程序，您需要在应用程序中有一个模型目录。在 Xcode 中，右键单击firstlite文件夹并选择新建组（图 14-10）。调用新组模型。

图 14-10。将新组添加到您的应用程序

您可以通过训练第 12 章中的简单 Y = 2X – 1 样本来获得模型。如果您还没有，可以使用本书GitHub 存储库中的 Colab 。

获得转换后的模型文件（称为model.tflite）后，您可以将其拖放到 Xcode 中刚刚添加的模型组中。选择“Copy items if needed”并确保通过选中它旁边的框将其添加到目标 firstlite（图 14-11）。

图 14-11。将模型添加到您的项目

该模型现在将在您的项目中并可用于推理。最后一步是完成用户界面逻辑——然后您就可以开始了！

之前，您创建了故事板ard 包含 UI 描述并开始编辑包含 UI 逻辑的ViewController.swift文件。由于大部分推理工作现在已经卸载到ModelParser类中，UI 逻辑应该非常轻量级。

首先添加一个声明ModelParser类实例的私有变量：

private var modelParser: ModelParser? =
    ModelParser(modelFileInfo: ModelFile.modelInfo)

 之前，您在名为 的按钮上创建了一个动作btnGo。这将在用户触摸按钮时调用。更新它以执行用户执行该操作时调用的函数doInference：

@IBAction func btnGo(_ sender: Any) {
  doInference()
}

接下来您将构建doInference函数：

private func doInference() {

用户将在其中输入数据的文本字段称为txtUserData。读取这个值，如果它是空的，只需将结果设置为0.00，不要理会任何推论：

guard let text = txtUserData.text, text.count > 0 else {
    txtResult.text = "0.00"
    return
  }

否则，将其转换为浮点数。如果失败，退出函数：

guard let value = Float(text) else {
    return
  }

如果代码已达到这一点，您现在可以运行模型，将输入传递给它。剩下的ModelParser将完成，返回结果或nil. 如果返回值为nil，那么您将退出该函数：

guard let result = self.modelParser?.runModel(withInput: value) else {
    return
  }

最后，如果你已经达到这一点，你就有了一个结果，所以你可以txtResult通过将 float 格式化为字符串来将它加载到标签（称为 ）中：

txtResult.text = String(format: "%.2f", result)

而已！模型加载和推理的复杂性已由ModelParser类处理，让您ViewController轻松自在。为方便起见，这里是完整的清单：

import UIKit

class ViewController: UIViewController {
  private var modelParser: ModelParser? =
      ModelParser(modelFileInfo: ModelFile.modelInfo)
  @IBOutlet weak var txtUserData: UITextField!
    
  @IBOutlet weak var txtResult: UILabel!
  @IBAction func btnGo(_ sender: Any) {
    doInference()
  }
  override func viewDidLoad() {
    super.viewDidLoad()
    // Do any additional setup after loading the view.
  }
  private func doInference() {
      
    guard let text = txtUserData.text, text.count > 0 else {
      txtResult.text = "0.00"
      return
    }
    guard let value = Float(text) else {
      return
    }
    guard let result = self.modelParser?.runModel(withInput: value) else {
      return
    }
    txtResult.text = String(format: "%.2f", result)
  }

}

您现在已经完成了让应用程序正常工作所需的一切。运行它，您应该会在模拟器中看到它。在文本字段中键入一个数字，按下按钮，您应该会在结果字段中看到一个结果，如图 14-12所示。

虽然对于一个非常简单的应用程序来说这是一段漫长的旅程，但它应该提供一个很好的模板来帮助您了解 TensorFlow Lite 的工作原理。在本演练中，您了解了如何：

• 使用 pod 添加 TensorFlow Lite 依赖项。

• 将 TensorFlow Lite 模型添加到您的应用程序。

• 将模型加载到解释器中。

• 访问输入张量，并直接写入它们的内存。

• 从输出张量中读取内存并将其复制到高级数据结构，如浮点数组。

• 使用故事板和视图控制器将其全部连接到用户界面。

在下一节中，您将超越这个简单的场景，着眼于处理更复杂的数据。