pytorch版本：1.6.0
pytorch-android版本：1.6.0
1 model.pt->model-script.pt
若模型上一次由GPU训练得到，需要转换成CPU形式
import torch
device = torch.device('cpu')
net=torch.load('model.pt', map_location = device)
torch.save(net,'model-cpu.pt')
然后把model.pt转换成Pytorch-script，以便在安卓上运行
import torch
# 如果网络使用的是class Net的定义法，而不是快速搭建法，需要在此处引入class Net的定义
model = torch.load("model-cpu.pt")
model.eval()
input_tensor = torch.rand(1,100) # 这里写你的模型的输入张量形状
# 笔者的模型为输入一维张量，100 features，后文的输入尺寸也与此对应
script_model = torch.jit.trace(model,input_tensor)
script_model.save("model-script.pt")
2 Android Studio 配置
新建一个 C++ Native 项目，选择c++11
在 build.gradle (Module) repositories 下，注释掉 jcenter()，添加镜像源：
maven{ url 'http://maven.aliyun.com/nexus/content/repositories/central/'}
maven{ url 'http://maven.aliyun.com/nexus/content/repositories/jcenter'}
在 build.gradle (App) dependencies 下，添加依赖：
implementation 'org.pytorch:pytorch_android:1.6.0'
implementation 'org.pytorch:pytorch_android_torchvision:1.6.0'
添加后，Android Studio 提示同步，点击 Sync Now，开始同步Gradle
在main目录下新建assets目录，把之前转换好的model-script.pt放到该目录下
3 调用模型
在 Activity 中，添加：
float[] data=new float[100];
//do something，为data赋值，可以是从文件加载、从用户输入、从相机获取，等等
copyAssetAndWrite("model-script.pt");//把模型从assets写入缓存，以便调用
Module module = Module.load(getCacheDir()+"/model-script.pt");//从缓存区加载模型
long shape[]={1,100};//模型输入形状
Tensor tensor=Tensor.fromBlob(data,shape);//tensor初始化方法
IValue input=IValue.from(tensor);
Tensor output=module.forward(input).toTensor();
float predict[]=output.getDataAsFloatArray();
这样，predict[]就是从网络得到的输出了