DR：在当今快速发展、信息丰富的世界中，构建智能化的应用程序变得越来越有必要。人工智能正迅速成为软件开发中必不可少的工具。在本文中，我们将研究ML工具包mobilesdk，它将Google在机器学习技术方面的所有专业知识以一个易于使用的包提供给移动开发人员。我们将研究SDK提供的各种api，然后通过创建一个Android应用程序来测试其中一个api。您可以在这个GitHub存储库中找到应用程序的代码。"Google I/O 2018使@Android开发者能够利用一些很酷的机器学习API。了解新的API是什么，并创建一个简单的应用程序来识别图像上的对象。"在推特上留言介绍在当今信息丰富的世界，人们已经开始期望他们的技术是智能的。我们看到人工智能（AI）在智能软件开发中的应用越来越多。人工智能正在迅速成为软件开发中的一个重要工具。对于开发者来说，幸运的是，有各种各样的服务可以使在应用程序中添加人工智能变得更容易和更快，而不需要太多的领域经验。市场上与人工智能相关的API越来越多，比如亚马逊的AWS机器学习API、IBM Watson和谷歌云AI。在本文中，我们将研究一下在今年的googleio上引入的ML-Kit-mobilesdk。ML-Kit是一个移动SDK，它使您能够向移动应用程序添加强大的机器学习功能。它同时支持Android和iOS，并为两个平台提供相同的功能。SDK是Firebase的一部分，它将来自Google的各种机器学习技术捆绑在一起，比如云视觉API、Android神经网络API和TensorFlow-Lite。这个SDK附带了一组现成的api，用于常见的移动用例，如人脸检测、文本识别、条形码扫描、图像标记和地标识别。它们以设备上或云API的形式提供。设备上的api的优点是能够快速处理数据，它们可以免费使用，并且不需要网络连接就可以工作。基于云的api提供了更高级别的准确性，因为它们能够利用Google云平台的机器学习技术。所有基于云的api都是高级服务，有免费配额。在本文中，我们将简要介绍每个ML工具包api提供的功能，然后再研究如何在Android应用程序中使用其中一个api。基于ML-Kit-SDK的文本识别有了文本识别API，你的应用程序可以识别任何基于拉丁语的语言（使用基于云的API时可以识别更多）。这可以有这样的使用案例，例如自动化从物理记录到数字格式的数据输入，提供更好的可访问性，应用程序可以识别图像中的文本并将其读出给用户，根据文本内容组织照片，e.t.c。文本识别可以作为设备上的API和基于云的API提供。设备上的API提供实时处理（非常适合摄像机或视频提要），而基于云的API提供更高精度的文本识别，能够识别更广泛的语言和特殊字符。使用ML-Kit-SDK进行人脸检测人脸检测API可以检测视觉媒体（数字图像和视频）中的人脸。给定一个图像，API返回任何检测到的人脸的位置、大小和方向（相对于相机的面部朝向的角度）。对于每个检测到的人脸，您还可以获得地标和分类信息。地标是一张脸上的兴趣点，如右眼、左眼、鼻底、下嘴，e.t.c.分类决定了脸部是否显示出特定的面部特征。ML-Kit目前支持两种分类：睁开眼睛和微笑。API在设备上可用。"@Android开发者现在可以使用谷歌推出的新MachineLearning SDK轻松检测人脸。"在推特上留言使用ML-Kit-SDK进行条形码扫描使用条形码扫描API，你的应用程序可以读取使用大多数标准条形码格式编码的数据。它在设备上可用，并支持以下条形码格式：1D条形码：EAN-13、EAN-8、UPC-A、UPC-E、Code-39、Code-93、Code-128、ITF、Codabar二维条码：二维码，数据矩阵，PDF-417，AZTEC条形码扫描API自动解析使用支持的二维格式之一存储的结构化数据。支持的信息类型包括：网址联系方式（VCARD等）日历事件电子邮件地址电话号码短信提示书号WiFi连接信息地理位置（经纬度）AAMVA标准驾驶员信息（驾照/ID）使用ML-Kit-SDK进行图像标记图像标签API可以识别图像中的实体。使用时，API返回一个已识别实体的列表，每个实体都有一个分数，表示ML模型对其相关性的信心。API可用于自动生成元数据和内容审核等任务。图像标签可以作为设备上的API和基于云的API提供。基于设备的API支持400多个标签，这些标签覆盖了照片中最常见的概念（参见示例），而基于云的API支持10000多个标签（参见示例）。使用ML-Kit-SDK进行地标识别landmark recognition API可以识别图像中已知的地标。当给定图像时，API返回已识别的地标、图像中每个地标位置的坐标以及每个地标的地理坐标。这个API可以用来为图像生成元数据，或者根据用户共享的内容定制一些特性。Landmark recognition仅作为基于云的API提供。使用ML-Kit-SDK的自定义模型如果您是一位经验丰富的机器学习工程师，并且不希望使用预先构建的ML-Kit模型，那么您可以使用您自己的定制TensorFlow-Lite模型和ML-Kit。这些模型可以托管在Firebase上，也可以与应用程序捆绑在一起。在Firebase上托管模型可以减少应用程序的二进制大小，同时还可以确保应用程序始终使用模型的最新版本。将模型本地存储在设备上可以加快处理速度。您可以选择在应用程序中同时支持设备上和云托管模型。通过使用这两种方法，您可以使模型的最新版本可用于您的应用程序，同时还可以确保应用程序的ML功能始终正常工作，即使Firebase托管的模型不可用（可能是由于网络问题）。即将推出的API当ML-Kit发布时，Google也宣布了在不久的将来再发布两个api的计划。这些是智能回复和面部轮廓API。智能回复API将允许您在应用程序中支持上下文消息回复。该API将提供适合其发送消息上下文的建议文本片段，类似于我们在Android消息应用程序中看到的建议响应特性。人脸轮廓API将是对人脸检测API的补充。它将提供高密度的面部轮廓。这将使您能够在人脸上执行比使用人脸检测API更精确的操作。要查看正在使用的API的预览，您可以查看这个YouTube视频。设备上和云中功能的摘要Android应用程序中的图像标记要查看其中一个API的作用，我们将创建一个应用程序，该应用程序使用图像标记API来标识图像的内容。当涉及到集成时，这些api有一些相似之处，因此了解如何使用一个api可以帮助您理解如何实现其他api。首先，在androidstudio中创建一个新项目。给你的应用程序起个名字；我把我的名字命名为ImageLabelingDemo。Firebase功能仅在运行API级别14及以上的设备上可用，因此请选择14或更高版本作为应用程序的最低SDK。在下一个窗口中，选择基本活动模板，在最后一个窗口中，您可以保留MainActivity的默认活动名称。要将Firebase添加到应用程序中，首先，在Firebase控制台中创建Firebase项目。在仪表板上，选择addfirebase to your Android应用程序。在提供的表格中填写应用程序的详细信息。对于这个项目，你只需要提供一个包名（你可以在你的Android项目的AndroidManifest.xml文件）。您可以添加应用程序昵称，以便在Firebase控制台上轻松识别应用程序。如果要将多个应用程序添加到同一个项目中，这将非常有用。注册应用程序后，你会看到一个按钮，你可以用来下载一个名为google的配置文件-服务.json. 下载该文件并将其移动到您的Android应用程序模块根目录中。如果您在androidstudio中使用项目视图，则文件应该位于此处。Gradle的Google服务插件加载Google-服务.json添加到项目中的文件。修改项目级别生成.gradle通过将插件添加到依赖项来使用插件。构建脚本{// ... 存储库。。。依赖关系{类路径'com.android.tools网站.建筑：格拉德尔：3.1.3英尺类路径'com.google.gms网站：谷歌-服务：4.0.1'}}// ... 所有项目，任务清理。。。接下来，将以下依赖项添加到应用程序级别生成.gradle文件（在/app中找到的文件/生成.gradle目录）。// ... 应用android（&A）。。。依赖关系{实施'com.google.firebase网站：火基-核心：16.0.1'实施'com.google.firebase网站：firebase毫升-愿景：16.0.0'实施'com.google.firebase网站：firebase ml视觉图像标签-型号：15.0.0'// ... 其他依赖项。。。}然后将以下内容添加到同一文件的底部（在依赖项之后），并在IDE中显示的栏中按"立即同步"。应用插件：'com