在tensorflow源码环境里，编译出独立的jni.so，避免依赖libtensorflowlite.so，从而实现apk体积最小化

需要在APP里使用tensorflow lite来运行PC端训练的model.tlite，又想apk的体积最小，尝试了如下方法：

在gradle里配置

implementation("org.tensorflow:tensorflow-lite:2.16.1")

这样会引入tensorflow.jar，最终apk的size增加大约2.2M

根据tensorflow官方的优化编译教程

https://www.tensorflow.org/lite/android/lite_build?spm=5176.28103460.0.0.73711db8niy7UE&hl=zh-cn

针对我们的模型,构建出针对性的TensorFlow Lite AAR，最后集成到apk里，体积增加约1.5M

分析TensorFlow Lite AAR的实现，发现其本质还是通过JNI调用了libtensorflowlite.so，

而这个libtensorflowlite.so，包含了tensorflow lite几乎所有核心framework代码，因此肯定很大。

因为我们仅需要用到tensorflow lite里model 初始化，interpreter推理等基础功能，并不需要tensorflow lite里的其他功能，因此，想要最小，直接在我们的JNI文件里，集成tensorflow lite相关类的源码进行编译，应该就能使得体积增加最小化了。

把我们JNI文件依赖的类，比如

#include "tensorflow/lite/interpreter.h"

#include "tensorflow/lite/model.h"

等.h和.cc引入我们的JNI里，一起编译就行了。

一开始是在android studio里，导入tensorflow lite的源码，修改CmakeLists.txt，尝试编译出可以独立运行的JNI so，但是总是失败。

最后，把JNI文件，放到tensorflow lite的源码目录里，利用tensorflow的编译工具bazel，编译成功。然后把生成的milc_jni.so放到app的jniLibs里，成功:

a. 在tensorflow/lite/下创建milc_jni/这个目录，目录下创建BUILD，milc_jni.cc, custom_op_resolver.h和custom_op_resolver.cc

b. 根据我们的模型文件model.tflite里用到的算子，比如，我只用了FULLY_CONNECTED，RELU， LOGISTIC这3个算子，定制精简算子的Resolver类

custom_op_resolver.h

cpp 复制代码

#ifndef TENSORFLOW_LITE_CUSTOM_OP_RESOLVER_H_
#define TENSORFLOW_LITE_CUSTOM_OP_RESOLVER_H_

#include "tensorflow/lite/mutable_op_resolver.h"

namespace tflite {

class MinimalOpResolver : public MutableOpResolver {
 public:
  MinimalOpResolver();
};

}  // namespace tflite

#endif  // TENSORFLOW_LITE_CUSTOM_OP_RESOLVER_H_

custom_op_resolver.cc

cpp 复制代码

#include "tensorflow/lite/milc_jni/custom_op_resolver.h"
#include "tensorflow/lite/kernels/builtin_op_kernels.h"

namespace tflite {
MinimalOpResolver::MinimalOpResolver() {
  // 使用 kernels::builtin:: 命名空间下的注册函数
  AddBuiltin(BuiltinOperator_FULLY_CONNECTED, 
             tflite::ops::builtin::Register_FULLY_CONNECTED());
  AddBuiltin(BuiltinOperator_RELU, 
             tflite::ops::builtin::Register_RELU());
  AddBuiltin(BuiltinOperator_LOGISTIC, 
             tflite::ops::builtin::Register_LOGISTIC());
}
}  // namespace tflite

c. 创建JNI文件milc_jni.cc

cpp 复制代码

#include <jni.h>
#include "tensorflow/lite/interpreter.h"
#include "tensorflow/lite/model.h"
#include "tensorflow/lite/milc_jni/custom_op_resolver.h"
#include <android/log.h>

#define LOG_TAG "TensorFlowLiteJNI"
#define LOGI(...) __android_log_print(ANDROID_LOG_INFO, LOG_TAG, __VA_ARGS__)
#define LOGE(...) __android_log_print(ANDROID_LOG_ERROR, LOG_TAG, __VA_ARGS__)

// 移除所有日志输出
//#define LOGI(...)
//#define LOGE(...)

extern "C" JNIEXPORT jfloat JNICALL
Java_com_xm_j_milc_predictJNI(JNIEnv* env, jobject /* this */, jstring modelPath, jfloatArray inputArray) {
    const char* modelPathStr = env->GetStringUTFChars(modelPath, nullptr);

    // 获取输入数组
    jfloat* inputElements = env->GetFloatArrayElements(inputArray, nullptr);
    jsize inputLength = env->GetArrayLength(inputArray);

    if (inputLength != 31) {
        LOGE("Input array length must be 31");
        env->ReleaseStringUTFChars(modelPath, modelPathStr);
        env->ReleaseFloatArrayElements(inputArray, inputElements, JNI_ABORT);
        return -1.0;
    }

    // 加载 TensorFlow Lite 模型
    std::unique_ptr<tflite::FlatBufferModel> model = tflite::FlatBufferModel::BuildFromFile(modelPathStr);
    if (!model) {
        LOGE("Failed to load model from %s", modelPathStr);
        env->ReleaseStringUTFChars(modelPath, modelPathStr);
        env->ReleaseFloatArrayElements(inputArray, inputElements, JNI_ABORT);
        return -1.0;
    }

    // 创建解释器
    //tflite::ops::builtin::BuiltinOpResolver resolver;
    tflite::MinimalOpResolver resolver;
    std::unique_ptr<tflite::Interpreter> interpreter;
    tflite::InterpreterBuilder(*model, resolver)(&interpreter);
    if (!interpreter) {
        LOGE("Failed to create interpreter");
        env->ReleaseStringUTFChars(modelPath, modelPathStr);
        env->ReleaseFloatArrayElements(inputArray, inputElements, JNI_ABORT);
        return -1.0;
    }

    // 分配张量
    if (interpreter->AllocateTensors() != kTfLiteOk) {
        LOGE("Failed to allocate tensors");
        env->ReleaseStringUTFChars(modelPath, modelPathStr);
        env->ReleaseFloatArrayElements(inputArray, inputElements, JNI_ABORT);
        return -1.0;
    }

    // 设置输入
    float* input = interpreter->typed_input_tensor<float>(0);
    for (int i = 0; i < inputLength; ++i) {
        input[i] = inputElements[i];
    }

    // 运行推理
    if (interpreter->Invoke() != kTfLiteOk) {
        LOGE("Failed to invoke interpreter");
        env->ReleaseStringUTFChars(modelPath, modelPathStr);
        env->ReleaseFloatArrayElements(inputArray, inputElements, JNI_ABORT);
        return -1.0;
    }

    // 获取输出
    // 5. 获取输出结果
    float* outputTensor = interpreter->typed_output_tensor<float>(0);


    // 释放资源
    env->ReleaseStringUTFChars(modelPath, modelPathStr);
    env->ReleaseFloatArrayElements(inputArray, inputElements, JNI_ABORT);
    return outputTensor[0];  // 直接返回标量值
}

d. 创建BUILD文件

bash 复制代码

# 自定义操作解析器（仅包含必要算子）
cc_library(
    name = "custom_op_resolver",
    srcs = ["custom_op_resolver.cc"],
    hdrs = ["custom_op_resolver.h"],
    deps = [
        "//tensorflow/lite/kernels:builtin_ops",
    ],
)

cc_binary(
    name = "milc_jni.so",
    srcs = ["milc_jni.cc"],
    linkshared = True,
    linkstatic = True,  # 静态链接所有依赖
    deps = [
	    ":custom_op_resolver",
    	"//tensorflow/lite:framework",
        "//tensorflow/lite/kernels:builtin_ops",
    	"@flatbuffers//:flatbuffers",
    ],
    copts = [
    	"-Oz",
	    "-flto=thin",
        "-ffunction-sections",
        "-fdata-sections",
        "-fvisibility=hidden",
    	"-fvisibility-inlines-hidden",
        "-DFLATBUFFERS_RELEASE",
    	"-DTF_LITE_STRIP_ERROR_STRINGS=1",
        "-DNDEBUG",
	    "-DFORCE_MINIMAL_LOGGING",
    	"-fno-exceptions",
        "-fno-rtti",
        "-fno-unwind-tables",
        "-fno-asynchronous-unwind-tables",
        "-ffreestanding",
    ],
    linkopts = [
	    "-flto=thin",
        "-Wl,--gc-sections",
        "-Wl,--exclude-libs,ALL",
        "-s", 
    	"-Wl,--as-needed",
	    "-Wl,-z,norelro",
    	"-Wl,--build-id=none",  # 移除构建ID
        "-Wl,--strip-all",  # 彻底去除符号
	    "-nostdlib",
        "-lc",
        "-Wl,--hash-style=gnu",  # 更小的哈希表
        "-Wl,--compress-debug-sections=zlib",  # 压缩调试节
    ],
    features = [
    	"-layering_check",
    ],
)

e. 在tensorflow的源码目录里，初始化好环境，AndroidNDK之类的，然后执行编译

bash 复制代码

bazel build -c opt   --config=android_arm64   --copt="-DFORCE_DISABLE_ALL_OPS"   --linkopt="-Wl,--gc-sections"   --linkopt="-Wl,--exclude-libs,ALL"   --linkopt="-s" --define=tflite_with_xnnpack=false  --copt="-Os" --copt="-fomit-frame-pointer"   --copt="-ffunction-sections"   --copt="-fdata-sections"   --copt="-fvisibility=hidden"   --copt="-g0" --copt="-DFLATBUFFERS_RELEASE"  //tensorflow/lite/milc_jni:milc_jni.so

然后，就会生成一个milc_jni.so，大约500K，它是可以独立运行的，不用依赖libtensorflowlite.so，因此，APK的size，也就只会增加约500K。

f.针对生成的milc_jni.so，进一步压缩优化

bash 复制代码

sudo apt-get install upx
upx --android-shlib --best --lzma milc_jni.so -o milc_jni_upx.so

最终的milc_jni_upx.so大约200K，因此，APK的size，也就只会增加约200K。