Детальная информация

Данная работа посвящена решению проблемы интеграции нейросетевых моделей в мультиплатформенные мобильные приложения. Шаги, которые были выполнены в ходе работы: Исследованы существующие на рынке решения. Проведен анализ особенностей API библиотеки Tensorflow Lite на платформах Android и iOS. Сформированы требования к проекту. Разработан функционально законченный фрагмент кода (модуль) на языке Kotlin для интеграции Tensorflow Lite. Разработано шахматное мультиплатформенное приложение на языке Kotlin. Проведено тестирование разработанного решения. Разработка выполнена в среде Android Studio на языке программирования Kotlin. В ходе анализа API TensorFlow Lite были сформулированы требования и выбраны подходы. Спроектирован API для разработанного решения. Разработан модуль для интеграции TensorFlow Lite в Kotlin Multiplatform, после чего проведено функциональное и модульное тестирование с использованием юнит-тестирования. В результате, используя современные инструменты, было разработано решение, удовлетворяющее сформулированным требованиям.

This paper is devoted to solving the problem of integrating neural network models into multiplatform mobile applications. The steps that were performed during the work: The existing solutions on the market were analyzed. The analysis of the features of the Tensorflow Lite library API on Android and iOS platforms was carried out. The requirements for the project have been formed. A functionally complete code snippet (module) in Kotlin has been developed for Tensorflow Lite integration. A multiplatform chess application has been developed in Kotlin. The developed solution has been tested. The development was performed in the Android Studio environment in the Kotlin programming language. During the analysis of the TensorFlow Lite API, requirements were formulated and approaches were selected. The API for the developed solution has been designed. A module has been developed to integrate TensorFlow Lite into Kotlin Multiplatform, followed by functional and unit testing. As a result, using modern tools, a solution has been developed that meets the stated requirements.

• СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
• ВВЕДЕНИЕ
• 1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
  • 1.1. Обзор технологий
  • 1.2. Актуальность темы
  • 1.3. Анализ предметной области
• 2. ЦЕЛЬ ИССЛЕДОВАНИЯ
• 3. ИСПОЛЬЗУЕМЫЕ ТЕХНОЛОГИИ И СРЕДСТВА РАЗРАБОТКИ
  • 3.1. Языки программирования
  • 3.2. Kotlin Multiplatform и используемые плагины
  • 3.3. Архитектура приложения и логика
  • 3.4. Машинное обучение
  • 3.5. Среды и инструменты разработки
• 4. ПРОЕКТИРОВАНИЕ
  • 4.1. Анализ API TensorFlow Lite на iOS и Android
  • 4.2. Требования
  • 4.3. Организация вызовов нативных библиотек в Kotlin Multiplatform
  • 4.4. API нейросетевого модуля
• 5. РАЗРАБОТКА
  • 5.1. Общий код
    • 5.1.1. Интерфейс Interpreter
    • 5.1.2. Конфигурация инференса: InterpreterOptions и Hardware
    • ​5.1.3 Представление данных: Tensor
  • 5.2. Платформенный код
    • 5.2.1 Android-реализация
    • 5.2.2. iOS-реализация
• 6. ТЕСТИРОВАНИЕ
  • 6.1. Unit-тестирование сериализации и десериализации тензоров
  • 6.2. Ручное тестирование в приложении
    • 6.2.1. Тестирование на платформе Android
    • 6.2.2. Тестирование на платформе iOS
  • 6.3. Сравнение производительности на Android и iOS используя CPU и GPU
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• Приложение 1