极限瘦身：将 Python AI 应用从 100MB 砍到 30MB

上一篇我们用“钞能力”（Chaquopy + Paddle）快速搞定了功能，但代价是惨痛的——APK 体积可能飙升到了 100MB+。这在用户眼里就是“毒瘤软件”。

今天，我们不仅要当“大厨”，还要当“外科医生”。我们将对这个 APK 进行一场精准的瘦身手术，目标是将体积压缩到 30MB 以内，同时保留 Python 的开发体验。

1. 诊断报告：为什么它这么“胖”？

在动刀之前，我们先得知道脂肪堆积在哪里。一个典型的 Chaquopy + Paddle APK 结构如下：

Android 基础代码：< 5MB（忽略不计）
Python 解释器 + 标准库：~10MB（这是基础开销）
Native 库 (.so 文件)：~80MB+ (罪魁祸首) 🚨
- PaddlePaddle 包含了完整的训练框架、反向传播逻辑、多种硬件驱动……但你在手机上只需要推理（Inference）。

手术方案：

切除多余肢体：只保留一种 CPU 架构。
更换核心引擎：用轻量级的 ONNX Runtime 替换笨重的 PaddlePaddle 库，但依然使用 Paddle 训练的模型。

2. 第一刀：ABI 架构过滤 (减重 50%)

Android 手机 CPU 有多种架构（x86, armeabi-v7a, arm64-v8a）。默认情况下，Gradle 会把所有架构的 .so 库都打包进去，就像你出门旅行带了春夏秋冬四季的衣服。

但在 2024 年，99% 的主流手机都是 arm64-v8a。

🛠 操作指南

修改 app/build.gradle：

Groovy

android {
    defaultConfig {
        // ...
        ndk {
            // ✂️ 咔嚓！只保留 64位 ARM 架构
            // 这会直接丢弃 x86 和 32位 ARM 的库文件
            abiFilters "arm64-v8a"
        }
    }
}

效果：如果你的 APK 里原本包含三套 .so 文件，这一步直接能让体积减少 2/3。

3. 第二刀：引擎置换手术 (减重核心)

这是最关键的一步。pip install paddlepaddle 安装的是一个通用型巨无霸。

核心思路：

训练时：在电脑上用 PaddlePaddle（功能全，体积大）。
部署时：在手机上用 ONNX Runtime（专注推理，体积极小）。

ONNX (Open Neural Network Exchange) 是 AI 界的“通用货币”。所有的模型（PyTorch, TensorFlow, Paddle）都可以转换成 ONNX 格式，然后用同一个轻量级引擎运行。

步骤 A：模型转换 (在电脑上操作)

首先，把你的 Paddle 模型转换成 .onnx 文件。百度贴心地提供了 paddle2onnx 工具。

Bash

# 1. 安装转换工具
pip install paddle2onnx

# 2. 转换模型 (假设你的模型存放在 inference_model 文件夹)
paddle2onnx --model_dir ./inference_model \
            --model_filename model.pdmodel \
            --params_filename model.pdiparams \
            --save_file mobile_model.onnx \
            --opset_version 11

现在你得到了一个通用的 mobile_model.onnx。

步骤 B：修改 Gradle 依赖 (Android端)

修改 app/build.gradle 的 Python 配置，把巨大的 paddle 换成小巧的 onnxruntime。

Groovy 

defaultConfig {
    python {
        pip {
            // ❌ 移除这个巨无霸
            // install "paddlepaddle==2.5.0" 
            
            // ✅ 换成这个轻量级选手 (约 5-8MB)
            install "onnxruntime" 
            install "numpy"
        }
    }
}

步骤 C：重写 Python 推理代码

我们需要修改 ai_engine.py，把 Paddle 的调用换成 ONNX Runtime 的调用。逻辑几乎一样，只是 API 变了。

Python

# src/main/python/ai_engine.py
import numpy as np
import onnxruntime as ort
from os.path import dirname, join

class AIModel:
    def __init__(self):
        # 获取模型路径 (假设你把 onnx 文件放在了 src/main/python 目录下)
        model_path = join(dirname(__file__), "mobile_model.onnx")
        
        # 初始化 ONNX 推理会话
        #这是最耗时的步骤，建议在后台线程做
        self.session = ort.InferenceSession(model_path)
        
        # 获取输入层名称 (就像知道插座的形状)
        self.input_name = self.session.get_inputs()[0].name

    def predict(self, input_data):
        # 1. 数据预处理 (和之前一样，转为 numpy)
        # 注意：ONNX 对数据类型要求很严，必须匹配模型定义 (通常是 float32)
        data = np.array([[float(input_data)]], dtype=np.float32)
        
        # 2. 执行推理
        # run(输出节点名列表, 输入字典)
        result = self.session.run(None, {self.input_name: data})
        
        # 3. 解析结果
        # result 是一个列表，取出第一个输出
        raw_val = result[0][0][0] 
        return f"ONNX 极速推理结果: {raw_val:.2f}"

4. 进阶深潜：压榨最后 1MB

如果你对体积有极致的强迫症，这里还有两个“黑魔法”：

技巧 1：移除 Python 标准库中的废物

Chaquopy 默认会打包完整的 Python 标准库（包括你根本用不到的 email, html, multiprocessing 等模块）。

在 build.gradle 中可以配置剔除：

Groovy

python {
    // ...
    pyc {
        // 编译成 pyc 字节码，加载更快，体积更小
        src false 
    }
    // 剔除不需要的标准库模块
    extractPackages "json", "os", "sys" // 仅举例，慎用
}

注意：通过 buildPython 自定义 Python 构建来剔除标准库比较复杂，通常对于新手，开启 .pyc 编译已经能节省不少空间。

技巧 2：动态加载模型

不要把 .onnx 模型文件打包在 APK 的 assets 或 python 目录里。

做法：APK 里只放代码。用户第一次打开 App 时，从你的服务器下载模型文件到手机本地目录。
收益：APK 体积瞬间减少 5MB - 50MB（取决于模型大小）。

📊 瘦身成果对比

优化阶段	包含组件	预估 APK 大小	备注
原始版	PaddlePaddle + 全架构 .so	120MB+	用户看到会被吓跑
阶段一	abiFilters "arm64-v8a"	60MB	砍掉了一半，但还是大
阶段二	ONNX Runtime 替换 Paddle	25MB	达成目标！ 🎯
阶段三	开启 pyc 编译 + 移除冗余库	18MB	极致轻量

🏁 总结

要让 Python AI 应用在 Android 上兼顾开发效率和落地体验，核心逻辑是：

“Python 写逻辑，ONNX 做引擎，Gradle 砍架构。”

ABI Filter 是必须的。
Paddle/PyTorch/TF 只是训练工具，不要把它们带进 APK。
ONNX Runtime 是端侧部署的最佳伴侣。

🚀 Next Step

现在你的 App 既聪明又轻盈。但还有一个问题：安全性。

你的 Python 代码和模型文件在 APK 里几乎是“裸奔”的，黑客解压 APK 就能拿到你的核心算法。

posted @ 2025-12-09 16:35 Swizard 阅读(140) 评论(0) 收藏举报

刷新页面返回顶部