怎么将tflite部署在安卓上_Unity3D中使用TensorFlow.Net [零] 环境部署
背景：目前正在学习并开发独立游戏，想使用TensorFlow来写游戏AI。而游戏的引擎使用的是unity。游戏的主要代码使用C#写的。马上就想到，如果能在C#中直接编写TensorFlow，并且能在游戏运行中就能强化学习提升游戏AI。
如果你只想了解http://tf.net方案，可以忽略前2个章节，主要讲unity官方的ml-agent
一、TensorFlowSharp方案
首先，开始搜索。得知unity 官方的ml-agent。
Unity-Technologies/ml-agentsgithub.com
大概一天的简单了解与学习，发现ml-agent有两个阶段。
第一个阶段 v0.3版本（大概是这个版本号）。使用TensorFlowSharp（简称tf#），并且有unity插件来执行训练模型。当然，我认为ft#同样可以在项目中开发并训练模型。只是没有得道体现。
然后找到了一个unity 中AI投篮的项目。
abeisgoat/tf-jamgithub.com
这里有关于项目的中文翻译写的很清楚。
CSDN-专业IT技术社区-登录blog.csdn.net该项目是使用TensorFlow nodejs版本建立模型。
采集命中的投篮数据进行训练。这个采集是unity Editor完成的。保存在successful_shots.csv文件中。
- 将使用 tensorflowjs_converter 转成keras的h5。
- 又从h5转成 model.pb和checkpoint。
- 生成在tf#支持的frozen.pb.bytes模型文件。
使用tf#加载模型，获得投篮距离推算投篮力度。
这个圈子绕的很大，unity采集数据 -> tfjs建立模型并训练 -> keras模型转换， -> unity 中tf#运行模型。
当然，还有一条路径。那就是tf#直接在unity中完成。这个就是我的目标。
二、Unity ml-agent方案
想更多了解的朋友直接去官方github阅读。因为才了解一天时间，不是很到位，欢迎指正。
v 0.3 版本之后，ml-agent已经不使用tf#作为模型加载和处理数据的工具。而是使用自家的Unity Barracuda，轻量级跨平台的inference library。将tf的模型转换成ml-agent支持的模型。
ml-agent流程：
- 搭建游戏逻辑场景：需要AI解决什么问题。
- 创建AI智能体（agent），并赋予训练模型
- 运行训练（挂机）：游戏中一边训练一边强化学习（这就是我想要的效果）
然后，我也开始部署环境，发现一个问题。官方提供了Proximal Policy Optimization(PPO)，Soft Actor-Critic(SAC)两个强化学习的模型。
那我想要更多的第三方tf模型或自己开发训练tf模型该怎么办？
通过查看github 上的issues，有开发者想将TensorFlow的稍微复杂的模型转换成ml-agent支持的模型并没有成功。可见目前版本的Unity Barracuda这个模型转换工具是有限的，不一定能将复杂的tf模型转换成功。
ml-agent 有try-tf 2.1 的分支。可见，官方也在尝试更好的兼容tf2.x。
三、使用http://TensorFlow.Net方案
本来我想用TensorFlowSharp(tf#)，将AI投篮项目修改一下。但tf#官方的github表示，这是一个擅长运行模型的runtime，没有实现更高级别的操作。建议使用http://TensorFlow.Net(简称http://tf.net)。既然如此，那就听作者的吧！
首先，下载AI投篮的源代码ft-jam (tf-詹姆斯吗 : )
abeisgoat/tf-jamgithub.com
然后下载SciSharp/TensorFlow.NET 源码
SciSharp/TensorFlow.NETgithub.com
编译一下的源码，拷贝 srcTensorFlowNET.CorebinDebugnet472 （那可能路径不同）到 unity的Assets文件夹。当然，最好重命名一下文件夹，比如http://tf.net。
srcTensorFlowNET.CorebinDebugruntimes里的TensorFlow C++的库文件也需要拷贝到Unity AssetsPlugins。runtimes下的三个文件夹win-x64，osx-x64，linux-x64 的几个库文件拷贝到AssetsPluginsx86_64文件夹。
在Project Settings > configuration下，将 Allow 'unsafe' Code 打勾。
将原来ft-jam项目中的BallSpawnerController tf#的代码修改成http://tf.net。总共四处。注释的是tf#的代码。
简单补充说明：
//这应该是作者之前训练获得的两个权重参数，命中率在60%。可以加快训练。
float GetForceFromMagicFormula(float distance)
{
var variance = Random.Range(1f, maxVariance);
return (0.125f) + (0.0317f * distance * variance);
}
到此，就结束了使用http://tf.net调用tf模型进行投篮的工作。但这并不是我的目标。
接下来，就是准备直接使用http://Tensorflow.Net实现在C#编写tf模型，在游戏中一边训练，一边应用tf进行投篮的工作。
这是Demo的源代码
songsharp/TensorFlow.Net.Unity.Demogithub.com