标签：android

2026-03-10andy阅读(27)评论(0)

为什么选择 FP16？ 在移动端 AI 推理中，内存带宽和功耗通常是最大的性能瓶颈。相比传统的 FP32（单精度浮点），FP16（半精度浮点）不仅能减少 50% 的模型内存占用和带宽需求，还能在支持 ARMv8.2-A 指令集的 CPU 上...

2026-03-09andy阅读(27)评论(0)

如何理解 Android NNAPI 的算子分发逻辑：从底层架构到实战调用 Android NNAPI (Neural Networks API) 是 Android 系统中专门为机器学习推理设计的 C API。它不直接运行模型，而是作为“...

2026-03-09andy阅读(31)评论(0)

背景：为什么 AI 推理需要 TEE？ 在端侧 AI 场景中，模型权重和用户隐私数据（如人脸特征、生物信息）通常是最高级别的核心资产。传统的推理过程在 CPU 或 GPU 的通用内存中进行，极易受到 Root 提权攻击或恶意内存扫描。TEE...

2026-03-02andy阅读(49)评论(0)

背景 在移动端部署 AI 模型时，内存（RAM）通常是极其珍贵的资源。传统的模型加载方式往往需要将模型文件先从磁盘或 Assets 读取到内存缓冲区，再由推理引擎解析。这种方式导致了至少双倍的内存占用。 ncnn 提供的 from_andr...

2026-02-15andy阅读(69)评论(0)

在 Android 端侧推理项目中，我们通常需要集成各种高性能计算库（如 TNN, MNN, NCNN 或 TensorFlow Lite的自定义 Delegate），这些库都以 .so 动态链接库的形式提供。管理这些 .so 文件面临两大...

2026-02-14andy阅读(77)评论(0)

深入理解 Android NNAPI 的中间层调度机制 Android Neural Networks API (NNAPI) 是 Google 为 Android 设备提供的一套用于运行计算密集型机器学习模型的框架。它的核心价值在于提供了...

2026-01-30andy阅读(99)评论(0)

许多个人站长或技术爱好者在使用自己的VPS或本地macOS机器编译Android Open Source Project (AOSP)时，在尝试运行核心配置命令lunch时，会遇到bash: lunch: command not found...

2025-12-04andy阅读(242)评论(0)

在将TensorFlow Lite（TFLite）或PyTorch Mobile等AI模型部署到Android移动设备时，编译阶段是至关重要的一步。当我们的CI/CD流程或本地构建遇到 AAPT: error: elements requi...

2025-12-02andy阅读(282)评论(0)

在复杂的Android项目中，尤其是在处理大量的依赖库和跨版本兼容性问题时，开发者经常会遇到一些看似随机但极难排查的构建错误。其中一个臭名昭著的错误是： Caused by: com.android.builder.dexing.DexAr...