安装与第一次推理
从一个真实的温度转换模型开始：输入 100°C，得到约 212°F。
1. 添加依赖
本文对应当前仓库中的 Core 源码。先克隆仓库，并在仓库中配置你的 Kotlin Multiplatform 应用模块；根项目的 settings.gradle.kts 已包含 :core。在应用模块的 commonMain 中添加项目依赖：
kotlin {
sourceSets {
commonMain.dependencies {
implementation(project(":core"))
}
}
}
启用应用模块对应的平台目标，并按平台指南配置运行环境。模型预处理工具是独立的可选模块，不是运行 Core 的前提。
Maven Central 发布状态
截至 2026-11-08，仓库版本目录为 0.3.0，但 Maven Central 上尚未找到 io.github.leitingzi:core:0.3.0 或旧坐标 io.github.leitingzi:kmplitert-core:0.3.0。当前 Core 构建配置使用的发布坐标是 io.github.leitingzi:core。使用 Maven 依赖前，请核对已发布版本及其 API；不要假设旧版与当前源码行为一致。
2. 准备模型
示例使用仓库中的 CelsiusToFahrenheit.tflite。下载该文件并按目标平台提供给应用：
- Android、JVM 和 Native：传入运行时可访问的文件路径。
- JS 和 WasmJS：将模型作为 Web 静态资源提供，并传入浏览器可访问的 URL。
模型输入名为 input_c，输出名为 Identity；两者均为 FLOAT，shape 为 [1, 1]。其他模型需要使用自己的名称、类型和数据长度。具体操作见平台指南。
3. 执行推理
在协程中调用以下函数；modelPath 是上一步准备的路径或 URL。
import io.github.kmplitert.core.LiteRTAccelerator
import io.github.kmplitert.core.LiteRTCompiler
import io.github.kmplitert.core.TFBuffer
suspend fun celsiusToFahrenheit(modelPath: String): Float {
val compiler = LiteRTCompiler(modelPath, LiteRTAccelerator.CPU)
val buffers = mutableListOf<TFBuffer>()
try {
compiler.init()
val inputs = compiler.getInputBuffers().also { buffers.addAll(it) }
val outputs = compiler.getOutputBuffers().also { buffers.addAll(it) }
inputs.single().writeFloat(floatArrayOf(100f))
compiler.run(inputs, outputs)
return outputs.single().readFloat().single()
} finally {
try {
buffers.forEach { it.close() }
} finally {
compiler.close()
}
}
}
运行结果应接近 212f；仓库测试使用 1f 的容差。此示例先关闭已获得的缓冲区，再关闭编译器，与 Native 测试的释放顺序一致；不同平台的所有权细节见生命周期。
模型不是通用输入格式
不要直接对任意模型写入 100f。先检查模型的输入类型、形状、顺序及量化要求，再准备匹配的数据。