前言
Tensorflow是goole开源的一套机器学习库，本篇文章并不介绍通过Tensorflow来生成预测模型，而是简单的介绍一下在iOS上接入通过Tensorflow生成好的预测模型，一般即.pd文件。
脚本生成.a静态库
首先下载Tensorflow的项目，项目地址。然后在Readme里找到iOS部分，里面有说明需要安装哪些工具和如何生成静态库（这里会下载一些编译的依赖库，可能需要翻墙）。
我这里直接使用tensorflow/contrib/makefile/build_all_ios.sh -a arm64来生成一个只支持真机arm64的库，这样快一点节省时间。不然构建全部架构的话起码需要两个小时。
如果你之前已经下载过一遍依赖，再次构建的话可以使用tensorflow/contrib/makefile/build_all_ios.sh -a arm64 -T，那样的话就不会下载那些依赖了，直接进入编译过程。
构建完成之后我们就能在
tensorflow/contrib/makefile/gen/lib、
tensorflow/contrib/makefile/gen/protobuf_ios/lib、
tensorflow/contrib/makefile/downloads/nsync/builds/lipo.ios.c++11
下找到生成好的静态库。
如果你要支持两个架构那可以单独生成两个架构的.a静态库后，使用lipo来合并：
lipo libtensorflow-core-armv7s.a libtensorflow-core-arm64.a -create -output libtensorflow-core.a
引入TensorFlow静态库
引入TensorFlow库有两种方式，一种是通过cocoaPods来管理，优点就是接入简单方便，缺点是包有点大，因为它支持了你所有的机型架构（i386sim, x86_64sim, armv7, armv7s and arm64）。
所以另一种就是通过TensorFlow的一个脚本自己来生成静态库，然后自己引入工程里面，缺点就是稍微繁琐一点，需要自己生成静态库，还有配置Header search paths和Other Linker Flags等。优点就是可以自己选择适配哪些架构，有效的减小包的大小。
cocoaPods引入.framework静态库
创建一个新项目，然后在Podfile里引入pod 'TensorFlow-experimental'，然后在你要使用TensorFlow的类里引入对应的头文件,如下：
#import "ViewController.h"
#include "tensorflow/core/framework/op_kernel.h"
#include "tensorflow/core/public/session.h"
然后我们会发现编译错误，因为我们引入的TensorFlow是C++的代码，所以你调用的类的文件后缀.m改为.mm。
主工程引入.a静态库
我们在Tensorflow文档里的Creating your Own App from your source libraries下可以看到整个链接生成的静态库的过程。
- 链接静态库路径
在
Other Linker Flags里链接入四个库libtensorflow-core.a、libprotobuf-lite.a、libprotobuf.a、nsync.a，分别在目录
tensorflow/contrib/makefile/gen/lib/、
tensorflow/contrib/makefile/gen/protobuf_ios/lib、
tensorflow/contrib/makefile/downloads/nsync/builds/lipo.ios.c++11下面。
这里我把这三个库都复制到我的Demo里，所以在Other Linker Flags里加入的路径是
${SRCROOT}/DSTensorflow/SDK/libtensorflow-core.a、
${SRCROOT}/DSTensorflow/SDK/libprotobuf-lite.a、
${SRCROOT}/DSTensorflow/SDK/libprotobuf.a、
${SRCROOT}/DSTensorflow/SDK/nsync.a。
- 设置Header Search paths
它文档里写的是加入以下路径里的头文件
the root folder of tensorflow,
tensorflow/contrib/makefile/downloads/nsync/public
tensorflow/contrib/makefile/downloads/protobuf/src
tensorflow/contrib/makefile/downloads,
tensorflow/contrib/makefile/downloads/eigen, and
tensorflow/contrib/makefile/gen/proto.
但是如果把这整个tensorflow文件夹加到版本管理里，那么就太大了，整个tensorflow有六七百兆。所以我删除了一些文件，只留下一些需要的文件，所以我工程里的路径是：
"${SRCROOT}/DSTensorflow/SDK"
"${SRCROOT}/DSTensorflow/SDK/tensorflow/contrib/makefile/downloads"
"${SRCROOT}/DSTensorflow/SDK/tensorflow/contrib/makefile/downloads/eigen"
"${SRCROOT}/DSTensorflow/SDK/tensorflow/contrib/makefile/downloads/protobuf/src"
"${SRCROOT}/DSTensorflow/SDK/tensorflow/contrib/makefile/gen/proto"
"${SRCROOT}/DSTensorflow/SDK/tensorflow/contrib/makefile/downloads/nsync/public"
加入
-force_load
在Other Linker Flags的${SRCROOT}/DSTensorflow/SDK/libtensorflow-core.a路径前面加入-force_load加入Accelerate framework
在Link Binary with Libraries"里加入Accelerate framework支持C++
设置C++ Language Dialect为GNU++11 (or GNU++14)，设置C++ Standard Library为libc++设置bitcode为NO
移除
Other Linker Flags里的-all_load（如果有的话）
私有Pod引入.a静态库
我们上面说的是在主工程引入TensorFlow的库，但是如果你一个私有的Pod仓库依赖了这个TensorFlow库，那么在引入头文件的时候就会报错。因为你私有Pod的targets对应的build setting并没有设置相关的Header Search Paths，私有pod在寻找头文件的时候是根据自己target里的Header Search Paths来索引的。
我们可以看到TensorFlow-experimental.podspec里的xcconfig是怎么给主工程设置的:
"xcconfig": {
"HEADER_SEARCH_PATHS": "'${SRCROOT}/Pods/TensorFlow-experimental/Frameworks/tensorflow_experimental.framework/Headers' '${SRCROOT}/Pods/TensorFlow-experimental/Frameworks/tensorflow_experimental.framework/Headers/third_party/eigen3'",
"OTHER_LDFLAGS": "-force_load '${SRCROOT}/Pods/TensorFlow-experimental/Frameworks/tensorflow_experimental.framework/tensorflow_experimental' '-L ${SRCROOT}/Pods/TensorFlow-experimental/Frameworks/tensorflow_experimental.framework' -lprotobuf_experimental"
}
podspec有三个相关的参数用来配置build setting，分别为xcconfig(设置主工程和当前pod的build setting)、pod_target_xcconfig(修改当前pod的build setting)、user_target_xcconfig(修改主工程的build setting)。
所以你如果要设置你调用Tensorflow那个私有pod的build setting，则需要使用pod_target_xcconfig，比如我demo里面在DSTensorflow.podspec里设置如下：
s.preserve_paths = 'DFCVinScanner/SDK/**/*'
s.frameworks = 'Accelerate'
s.pod_target_xcconfig = {"HEADER_SEARCH_PATHS" => "$(inherited) '$(PODS_TARGET_SRCROOT)/DSTensorflow/SDK' '$(PODS_TARGET_SRCROOT)/DSTensorflow/SDK/tensorflow/contrib/makefile/downloads' '$(PODS_TARGET_SRCROOT)/DSTensorflow/SDK/tensorflow/contrib/makefile/downloads/eigen' '$(PODS_TARGET_SRCROOT)/DSTensorflow/SDK/tensorflow/contrib/makefile/downloads/protobuf/src' '$(PODS_TARGET_SRCROOT)/DSTensorflow/SDK/tensorflow/contrib/makefile/gen/proto' '$(PODS_TARGET_SRCROOT)/DSTensorflow/SDK/tensorflow/contrib/makefile/downloads/nsync/public'"}
s.user_target_xcconfig = {"OTHER_LDFLAGS" => ['$(inherited)', '$(PODS_ROOT)/DSTensorflow/DSTensorflow/SDK/nsync.a', '-force_load', '$(PODS_ROOT)/DSTensorflow/DSTensorflow/SDK/libtensorflow-core.a', '$(PODS_ROOT)/DSTensorflow/DSTensorflow/SDK/libprotobuf-lite.a', '$(PODS_ROOT)/DSTensorflow/DSTensorflow/SDK/libprotobuf.a']}
注意：
我的
OTHER_LDFLAGS是使用user_target_xcconfig，因为静态库的链接都是主工程来进行链接，然后HEADER_SEARCH_PATHS使用的是pod_target_xcconfig，pod的target在寻找头文件的时候是在自己的build setting里的HEADER_SEARCH_PATHS里配置的路径进行寻找的。我们在本地调试的时候podfile里写的是本地podspec的路径
pod 'DSTensorflow', :path => '../'，所以在我们的demo里的Pods文件夹下面并不会有DSTensorflow这个文件夹，而我们的HEADER_SEARCH_PATHS和OTHER_LDFLAGS的路径为Pods/DSTensorflow下的路径，所以为了可以调试，我就手动把那些文件复制进了这个文件夹下面。当然如果你到时候这个私有pod正常发布的了，使用pod 'DSTensorflow'这样正常依赖的话，Pods/DSTensorflow下就会有对应的文件了。
简单的接入Tensorflow的Demo
Tensorflow编译静态库脚本解析
tensorflow-r1.8/tensorflow/contrib/makefile/build_all_ios.sh这个就是创建静态库的脚本，它主要有以下3个参数-a -g -T：
Usage: build_all_ios.sh [-a:T]
-a [build_arch] build only for specified arch x86_64 [default=all]
-g [graph] optimize and selectively register ops only for this graph
-T only build tensorflow (dont download other deps etc)
-a我们之前已经说过了主要用来确定生成对应架构的静态库，默认为生成所有架构的静态库
-T表示是否只build tensorflow的静态库，因为它默认需要下载一些依赖库，工具库来帮组build，但是如果已经下载过了，第二遍build的时候其实就不用下载了，这时候就可以用这个参数，这样可以加快速度。
-g表示只选择注册某些你这个模型需要的op操作，这个如果不选的话，你在调用你的模型的时候，有些模型就会报No OpKernel was registered to support Op xxx的错误，表示你这个静态库并不支持这个op操作。
我们也可以自己调用脚本来看看你的模型需要哪些op:
执行以下操作下载对应的工具：
$ bazel build --copt="-DUSE_GEMM_FOR_CONV" tensorflow/python/tools/print_selective_registration_header
执行以下操作得到你模型需要的op，并生成ops_to_register.h（tensorflow在创建静态库的时候就会用到这个文件）：
$ bazel-bin/tensorflow/python/tools/print_selective_registration_header --graphs=Users/you-path/graph.pb > tensorflow/core/framework/ops_to_register.h
一个完整的例子如下：
tensorflow/contrib/makefile/build_all_ios.sh -a arm64 -g Users/you-path/graph.pb -T
问题
No OpKernel was registered to support Op 'Conv2D'
参考
iOS 平台 TensorFlow 实践：实际应用教程（附源码）（二）
TensorFlow Mobile模型压缩
解决No OpKernel was registered to support Op 'Less' with these attrs问题源码
