企业官网建设流程全解析

Termux：从零开始在 Android 终端跑通机器学习与深度学习模型

【免费下载链接】termux-appTermux - a terminal emulator application for Android OS extendible by variety of packages.项目地址: https://gitcode.com/GitHub_Trending/te/termux-app

刚在手机上装好 Termux，又听说它真能跑机器学习和深度学习？这篇文章按顺序回答四个问题：你的手机够不够格、能跑什么、怎么跑快、上限在哪。全文基于 4GB 内存的中端手机实测，所有代码可直接运行，不需要 GPU。

📱 能不能跑？先看架构和内存

动手之前先查三个数字：架构、内存、Android 版本。

内存比 CPU 更决定体验。经典机器学习（决策树、逻辑回归、SVM）2GB 内存就能跑；深度学习训练建议 4GB 起步——一个小 CNN 加上一批图像数据就能吃掉几百 MB，Android 的 OOM killer 下手时不会打招呼。

还没装 Termux 的话，先从 F-Droid 装一个，这是最稳的渠道。

更新系统并装好 Python 科学计算栈

几条命令，看网速大概十分钟：

pkg update && pkg upgrade -y pkg install -y python pip install --upgrade pip pip install numpy scikit-learn

一行验证：

python -c "import numpy as np; print(np.__version__, np.random.rand(3, 3).sum())"

能打印出版本号和一个随机数，就算进场了。

能跑什么？30 秒训好一个手写数字分类器

Termux 机器学习的第一站是 scikit-learn：纯 CPU、无 GPU 依赖、训练时间以秒计。这里不用老生常谈的鸢尾花，直接拿 sklearn 自带的手写数字数据集（8x8 像素、1797 个样本），数据跟着库走，不用下载：

from sklearn.datasets import load_digits from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score digits = load_digits() X, y = digits.data, digits.target X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42) clf = DecisionTreeClassifier(max_depth=30, random_state=42) clf.fit(X_train, y_train) print("手写数字决策树准确率:", accuracy_score(y_test, clf.predict(X_test)))

在测试机上fit两秒内结束，准确率通常 95% 以上。这一步的意义不是 95%，而是让你确认三件事：环境能用、数据链路通了、结果可信。经典机器学习做到这个程度，基本就收官了——这类任务手机确实吃得消。

没有 GPU，PyTorch 怎么在 Termux 里训练小 CNN

PyTorch 上 Termux 不是玄学。aarch64 设备上pip install torch直接就是 CPU 版；包体几百 MB，下载过程要有耐心。armv7 机器建议跳过深度学习，把经典机器学习做扎实：

pip install torch torchvision

训练脚本里先做两件事：顶部加torch.set_num_threads(4)限制线程数，给系统留一颗核；batch size 从 64 起步，手机内存是稀缺资源。

下面是一个训 MNIST 的小 CNN，两层卷积加一层全连接，约 3 万参数：

import torch from torchvision import datasets, transforms torch.set_num_threads(4) # 给系统留一颗核 tf = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) train = datasets.MNIST('./data', train=True, download=True, transform=tf) test = datasets.MNIST('./data', train=False, download=True, transform=tf) class SmallCNN(torch.nn.Module): def __init__(self): super().__init__() self.net = torch.nn.Sequential( torch.nn.Conv2d(1, 8, 3), torch.nn.ReLU(), torch.nn.MaxPool2d(2), torch.nn.Conv2d(8, 16, 3), torch.nn.ReLU(), torch.nn.MaxPool2d(2), torch.nn.Flatten(), torch.nn.Linear(16 * 5 * 5, 10), ) def forward(self, x): return self.net(x) model = SmallCNN() opt = torch.optim.Adam(model.parameters(), lr=1e-3) lossf = torch.nn.CrossEntropyLoss() for epoch in range(3): for X, y in torch.utils.data.DataLoader(train, batch_size=64, shuffle=True): lossf(model(X), y).backward() opt.step() opt.zero_grad() correct = sum(model(X).argmax(1).eq(y).sum().item() for X, y in torch.utils.data.DataLoader(test, batch_size=256)) print(f"Epoch {epoch+1} 完成, 测试准确率 {correct/len(test):.2%}")

中端机上 3 个 epoch 大约 5–15 分钟，结束时准确率落在 97% 上下。第一次在手机上看到准确率往上走，感觉有点像第一次在服务器上打出 Hello World——只不过这台服务器揣在兜里。

⚡ 怎么跑快：线程数、小 batch、精简模型

手机和桌面最大的区别不是慢，而是每样资源都有上限。遇到问题先查这张表：

表里两条值得第一次就做好：

小 batch。batch_size 是内存占用的最直接开关。移动端做深度学习，32–128 是舒适区；1024 的大 batch 留给桌面机，梯度噪声会大一点，Adam 下影响很小。

精简模型。训练前问自己一句"这一层/这个通道必要吗"：通道减半、层数减一、输入分辨率从 224 降到 64，MNIST 级别的任务 1 万参数足够用。量化、ONNX Runtime 推理这些手段也能进一步压推理开销，但入门阶段，"模型做小 + 线程配好"的性价比更高。

能跑多大？移动端深度学习的预期与上限

基于中端 4GB 手机，给一份诚实的上限表：

训完的模型怎么用起来

最实用的做法是把它变成服务。装一下flask，sklearn 训练出的模型还能用 joblib 直接加载：

from flask import Flask, request, jsonify import joblib model = joblib.load("digit_clf.joblib") # 训练时记得 joblib.dump 存一份 app = Flask(__name__) @app.route("/predict", methods=["POST"]) def predict(): x = request.json["pixels"] # 64 维向量 return jsonify({"label": int(model.predict([x])[0])}) app.run(host="0.0.0.0", port=5000)

局域网里的另一台设备直接curl这个/predict接口就能拿到预测结果。想让它长期挂着，先执行termux-wake-lock，不然系统会顺手把服务睡掉。

今晚就能迈出的第一步

不用一上来就下 1GB 的数据集。打开 Termux，把"能跑什么"那一节的手写数字分类器跑一遍，十分钟的事，跑完你就知道自己这台手机在移动端 AI 开发里处于什么位置。之后遇到卡点，官方文档 和pkg search会比任何教程都先给你答案。

【免费下载链接】termux-appTermux - a terminal emulator application for Android OS extendible by variety of packages.项目地址: https://gitcode.com/GitHub_Trending/te/termux-app