[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-amitshekhariitbhu--AndroidTensorFlowMachineLearningExample":3,"tool-amitshekhariitbhu--AndroidTensorFlowMachineLearningExample":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":113,"oss_zip_packed_at":113,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":127},1348,"amitshekhariitbhu\u002FAndroidTensorFlowMachineLearningExample","AndroidTensorFlowMachineLearningExample","Android TensorFlow MachineLearning Example (Building TensorFlow for Android)","AndroidTensorFlowMachineLearningExample 是一份手把手教你把 TensorFlow 塞进 Android App 的完整示例。它最实用的地方在于：不仅给出可直接运行的物体检测 Demo（拍照即可识别键盘、钱包等日常物品），还详细演示了如何把 TensorFlow 源码交叉编译成 Android 需要的 .so 动态库和 .jar 包，省去了自己踩坑编译的麻烦。  \n如果你是一名 Android 开发者、想在手机里跑机器学习模型，或者正为面试准备 TensorFlow 移动端部署问题，这份代码和文档都能帮你快速起步。亮点在于它保留了 Google 官方示例的核心逻辑，又补充了完整的构建脚本与中文友好的步骤说明，拿来即可集成到自己的项目里。","# Android TensorFlow Machine Learning Example\n\n##  About Android TensorFlow Machine Learning Example\n* This is an example project for integrating [TensorFlow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow) into Android application\n* How to build TensorFlow project to use with Android project.\n* How to build TensorFlow library(.so file and jar file) to use with Android Application.\n* This project include an example for object detection for an image taken from camera using TensorFlow library.\n\n## Prepare for Machine Learning Interview: [Machine Learning Interview Questions](https:\u002F\u002Fgithub.com\u002Famitshekhariitbhu\u002Fmachine-learning-interview-questions)\n\n# [Check the Android TensorFlow Lite Machine Learning Example.](https:\u002F\u002Fgithub.com\u002Famitshekhariitbhu\u002FAndroid-TensorFlow-Lite-Example)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famitshekhariitbhu_AndroidTensorFlowMachineLearningExample_readme_d89d700d2a6e.png\" width=\"250\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famitshekhariitbhu_AndroidTensorFlowMachineLearningExample_readme_c24f923e69ac.png\" width=\"250\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famitshekhariitbhu_AndroidTensorFlowMachineLearningExample_readme_a3aa3d1ce919.png\" width=\"250\">\n\u003C\u002Fp>\n\u003Cimg src=https:\u002F\u002Fraw.githubusercontent.com\u002Famitshekhariitbhu\u002FAndroidTensorFlowMachineLearningExample\u002Fmaster\u002Fassets\u002Fsample_combined.png >\n\u003Cbr>\n\u003Cbr>\n\n### Find this project useful ? :heart:\n* Support it by clicking the :star: button on the upper right of this page. :v:\n\n### Credits\n* The classifier example has been taken from Google TensorFlow example.\n\n### License\n```\n   Copyright (C) 2022 Amit Shekhar\n\n   Licensed under the Apache License, Version 2.0 (the \"License\");\n   you may not use this file except in compliance with the License.\n   You may obtain a copy of the License at\n\n       http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0\n\n   Unless required by applicable law or agreed to in writing, software\n   distributed under the License is distributed on an \"AS IS\" BASIS,\n   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.\n   See the License for the specific language governing permissions and\n   limitations under the License.\n```\n\n### Contributing to Android TensorFlow Machine Learning Example\nJust make pull request. You are in!\n","# Android TensorFlow 机器学习示例\n\n## 关于 Android TensorFlow 机器学习示例\n* 这是一个将 [TensorFlow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow) 集成到 Android 应用程序中的示例项目。\n* 如何构建 TensorFlow 项目以供 Android 项目使用。\n* 如何构建 TensorFlow 库（.so 文件和 jar 文件）以供 Android 应用程序使用。\n* 本项目包含一个使用 TensorFlow 库对相机拍摄的图像进行目标检测的示例。\n\n## 为机器学习面试做准备：[机器学习面试题](https:\u002F\u002Fgithub.com\u002Famitshekhariitbhu\u002Fmachine-learning-interview-questions)\n\n# [查看 Android TensorFlow Lite 机器学习示例。](https:\u002F\u002Fgithub.com\u002Famitshekhariitbhu\u002FAndroid-TensorFlow-Lite-Example)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famitshekhariitbhu_AndroidTensorFlowMachineLearningExample_readme_d89d700d2a6e.png\" width=\"250\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famitshekhariitbhu_AndroidTensorFlowMachineLearningExample_readme_c24f923e69ac.png\" width=\"250\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famitshekhariitbhu_AndroidTensorFlowMachineLearningExample_readme_a3aa3d1ce919.png\" width=\"250\">\n\u003C\u002Fp>\n\u003Cimg src=https:\u002F\u002Fraw.githubusercontent.com\u002Famitshekhariitbhu\u002FAndroidTensorFlowMachineLearningExample\u002Fmaster\u002Fassets\u002Fsample_combined.png >\n\u003Cbr>\n\u003Cbr>\n\n### 觉得这个项目有用吗？ :heart:\n* 请通过点击本页面右上角的 :star: 按钮来支持它。 :v:\n\n### 致谢\n* 分类器示例取自 Google TensorFlow 示例。\n\n### 许可证\n```\n   版权所有 © 2022 阿米特·谢卡尔\n\n   根据 Apache 许可证第 2.0 版（“许可证”）授权；\n   除遵守本许可证外，您不得使用本文件。\n   您可以在以下网址获取许可证副本：\n\n       http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0\n\n   除非适用法律要求或经书面同意，否则软件按“原样”分发，\n   不提供任何形式的保证或条件，无论是明示还是默示。\n   有关权限和限制的具体规定，请参阅本许可证。\n```\n\n### 参与 Android TensorFlow 机器学习示例的贡献\n只需提交拉取请求即可。欢迎加入！","# Android TensorFlow Machine Learning Example 快速上手指南\n\n本指南旨在帮助开发者快速在 Android 应用中集成 TensorFlow，实现基于摄像头的实时物体检测功能。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Windows, macOS 或 Linux\n*   **JDK**: Java Development Kit 8 或更高版本\n*   **Android Studio**: 最新稳定版（推荐 Arctic Fox 或更新版本）\n*   **Android SDK**:\n    *   SDK Platform (API Level 21 及以上)\n    *   Build-Tools\n    *   CMake 和 LLDB (用于构建原生库)\n*   **Git**: 用于克隆项目代码\n*   **Bazel** (可选): 如果您需要从头编译 TensorFlow 源码，通常需要 Bazel 构建工具（本项目主要演示如何使用已构建的库，但了解此依赖有助于深入定制）。\n\n> **国内加速建议**：\n> *   **Android SDK**: 建议使用国内镜像源（如清华大学、阿里云镜像）配置 `SDK Manager`。\n> *   **Gradle 依赖**: 在项目的 `build.gradle` 或全局 `settings.gradle` 中配置阿里云 Maven 镜像，以加快依赖下载速度：\n>   ```groovy\n>   maven { url 'https:\u002F\u002Fmaven.aliyun.com\u002Frepository\u002Fgoogle' }\n>   maven { url 'https:\u002F\u002Fmaven.aliyun.com\u002Frepository\u002Fpublic' }\n>   ```\n\n## 安装步骤\n\n### 1. 克隆项目\n使用终端或命令行工具克隆仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Famitshekhariitbhu\u002FAndroidTensorFlowMachineLearningExample.git\ncd AndroidTensorFlowMachineLearningExample\n```\n\n### 2. 导入项目\n1. 打开 **Android Studio**。\n2. 选择 **File** -> **Open**，选中刚才克隆的 `AndroidTensorFlowMachineLearningExample` 文件夹。\n3. 等待 Gradle 同步完成。如果网络较慢，请确保已配置上述国内镜像源。\n\n### 3. 构建 TensorFlow 库 (如需自定义)\n本项目通常已包含预编译的 `.so` 文件和 `jar` 包位于 `libs` 目录。如果您需要针对特定架构重新构建 TensorFlow 库：\n\n*   参考官方 TensorFlow 文档使用 Bazel 构建 Android 版本的 `.so` 和 `jar`。\n*   将生成的 `libtensorflow_inference.so` 和 `tensorflow_inference.jar` 替换到项目的 `app\u002Flibs` 和 `app\u002Fsrc\u002Fmain\u002FjniLibs` 对应目录中。\n\n*(注：对于快速上手，直接使用项目自带的库文件即可运行)*\n\n## 基本使用\n\n本项目最核心的功能是调用摄像头进行实时物体检测。以下是运行示例的最简步骤：\n\n### 1. 连接设备\n将您的 Android 真机通过 USB 连接到电脑，并开启**USB 调试模式**。\n> 注意：由于涉及摄像头调用，模拟器可能无法完美支持所有硬件加速特性，建议使用真机测试。\n\n### 2. 运行应用\n在 Android Studio 中点击 **Run** 按钮 (或使用快捷键 `Shift + F10`)，选择您的设备作为目标。\n\n### 3. 功能体验\n应用启动后，您将看到摄像头预览界面。尝试将以下物体置于镜头前，系统将实时框选并识别物体名称：\n*   键盘 (Keyboard)\n*   钢笔 (Pen)\n*   钱包 (Wallet)\n\n### 4. 核心代码逻辑\n物体检测的核心逻辑位于 Activity 中，主要流程如下：\n1.  初始化 TensorFlow 解释器 (`TensorFlowInferenceInterface`)。\n2.  从摄像头获取帧数据 (`Bitmap` 或 `byte[]`)。\n3.  预处理图像（调整大小、归一化）。\n4.  调用 `tfSession.run()` 执行推理。\n5.  解析输出结果并在画布上绘制边界框。\n\n关键代码片段示例（参考项目源码）：\n\n```java\n\u002F\u002F 初始化推理接口\ninferenceInterface = new TensorFlowInferenceInterface(assetManager, MODEL_FILE);\n\n\u002F\u002F 执行推理\ninferenceInterface.feed(INPUT_NODE, floatValues, 1, INPUT_SIZE, INPUT_SIZE, 3);\ninferenceInterface.run(new String[]{OUTPUT_NODE});\ninferenceInterface.fetch(OUTPUT_NODE, outputs);\n\n\u002F\u002F 处理结果并绘制\nrecognizeImage(outputs);\n```\n\n现在，您已经成功运行了第一个基于 TensorFlow 的 Android 物体检测应用！您可以在此基础上修改模型文件 (.pb) 以识别特定的自定义物体。","某初创团队正开发一款面向视障人士的辅助识别 App，需要让 Android 手机通过摄像头实时识别键盘、钱包等日常物品并语音播报。\n\n### 没有 AndroidTensorFlowMachineLearningExample 时\n- 开发人员需从零研究如何将庞大的 TensorFlow 框架编译为 Android 可用的 `.so` 和 `.jar` 库，极易因环境配置错误导致构建失败。\n- 缺乏现成的物体检测参考代码，团队必须自行编写复杂的图像预处理与模型推理逻辑，调试周期长达数周。\n- 不清楚如何高效调用手机摄像头数据流并传入模型，常出现画面延迟或内存溢出崩溃，严重影响用户体验。\n- 面对机器学习面试或技术选型时，缺乏权威的实战案例支撑，难以评估技术可行性与性能边界。\n\n### 使用 AndroidTensorFlowMachineLearningExample 后\n- 直接复用项目中已验证的构建脚本，快速生成适配 Android 的 TensorFlow 库文件，将环境搭建时间从数天缩短至几小时。\n- 基于内置的键盘、钢笔、钱包等物体检测示例代码，仅需替换模型文件即可实现新类别的识别，大幅降低开发门槛。\n- 参考其摄像头数据流转与推理集成的最佳实践，轻松实现低延迟的实时识别功能，确保应用运行稳定流畅。\n- 通过研读该项目架构，团队成员不仅掌握了端侧部署核心技能，还获得了应对技术面试的扎实实战素材。\n\nAndroidTensorFlowMachineLearningExample 将复杂的端侧 AI 部署转化为可立即运行的标准化流程，让开发者能专注于业务创新而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famitshekhariitbhu_AndroidTensorFlowMachineLearningExample_d89d700d.png","amitshekhariitbhu","AMIT SHEKHAR","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Famitshekhariitbhu_9303b816.png","Founder @OutcomeSchool | Teaching AI, ML & Software Engineering | Open Source | IIT 2010-14","@OutcomeSchool","New Delhi, India","amit.shekhar.iitbhu@gmail.com","amitiitbhu","https:\u002F\u002Foutcomeschool.com","https:\u002F\u002Fgithub.com\u002Famitshekhariitbhu",[86],{"name":87,"color":88,"percentage":89},"Java","#b07219",100,1441,425,"2026-03-31T21:27:56","Apache-2.0",4,"未说明",{"notes":97,"python":95,"dependencies":98},"该项目是一个将 TensorFlow 集成到 Android 应用的示例，主要涉及构建 TensorFlow 库（.so 文件和 jar 文件）以供 Android 使用。项目包含使用摄像头拍摄图像进行物体检测的示例。官方建议查看其 TensorFlow Lite 版本的示例项目以获取更现代的移动端实现方案。",[99],"TensorFlow",[13],[102,103,104,105,106,107,108,109,110,111,112],"tensorflow","tensorflow-tutorials","tensorflow-android","machine-learning","machine-learning-android","tensorflow-models","tensorflow-examples","deep-learning","deep-neural-networks","deeplearning","deep-learning-tutorial",null,"2026-03-27T02:49:30.150509","2026-04-06T05:19:36.643351",[117,122],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},6163,"如何在 Android 项目中使用 TensorFlow 的 .so 文件？",".so 文件位于项目的以下路径中：\u002Fapp\u002Fsrc\u002Fmain\u002FjniLibs\u002Farmeabi-v7a\u002F。您可以直接在该目录下找到并使用它。","https:\u002F\u002Fgithub.com\u002Famitshekhariitbhu\u002FAndroidTensorFlowMachineLearningExample\u002Fissues\u002F3",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},6164,"如何在 Android 中使用 TensorFlow 模型的 placeholder？","可以通过 C++ API 来运行模型以处理 placeholder。此外，如果在官方文档中找不到 argmax 等操作的用法，建议参考社区示例或尝试通过 C++ 接口调用相关功能。","https:\u002F\u002Fgithub.com\u002Famitshekhariitbhu\u002FAndroidTensorFlowMachineLearningExample\u002Fissues\u002F2",[]]