深度學(xué)習(xí)在圖像處理、語音識別、自然語言處理領(lǐng)域的應(yīng)用取得了巨大成功，但是它通常在功能強(qiáng)大的服務(wù)器端進(jìn)行運(yùn)算。

如果智能手機(jī)通過網(wǎng)絡(luò)遠(yuǎn)程連接服務(wù)器，也可以利用深度學(xué)習(xí)技術(shù)，但這樣可能會很慢，而且只有在設(shè)備處于良好的網(wǎng)絡(luò)連接環(huán)境下才行，這就需要把深度學(xué)習(xí)模型遷移到智能終端。

由于智能終端CPU和內(nèi)存資源有限，為了提高運(yùn)算性能和內(nèi)存利用率，需要對服務(wù)器端的模型進(jìn)行量化處理并支持低精度算法。TensorFlow版本增加了對Android、iOS和Raspberry Pi硬件平臺的支持，允許它在這些設(shè)備上執(zhí)行圖像分類等操作。這樣就可以創(chuàng)建在智能手機(jī)上工作并且不需要云端每時每刻都支持的機(jī)器學(xué)習(xí)模型，帶來了新的APP。

本文主要基于看花識名APP應(yīng)用，講解TensorFlow模型如何應(yīng)用于Android系統(tǒng)；在服務(wù)器端訓(xùn)練TensorFlow模型，并把模型文件遷移到智能終端；TensorFlow Android開發(fā)環(huán)境構(gòu)建以及應(yīng)用開發(fā)API。

看花識名APP

使用AlexNet模型、Flowers數(shù)據(jù)以及Android平臺構(gòu)建了“看花識名”APP。TensorFlow模型對五種類型的花數(shù)據(jù)進(jìn)行訓(xùn)練。如下圖所示：

Daisy：雛菊

Dandelion：蒲公英

Roses：玫瑰

Sunflowers：向日葵

Tulips：郁金香

在服務(wù)器上把模型訓(xùn)練好后，把模型文件遷移到Android平臺，在手機(jī)上安裝APP。使用效果如下圖所示，界面上端顯示的是模型識別的置信度，界面中間是要識別的花：

TensorFlow模型如何應(yīng)用于看花識名APP中，主要包括以下幾個關(guān)鍵步驟：模型選擇和應(yīng)用、模型文件轉(zhuǎn)換以及Android開發(fā)。如下圖所示：

模型訓(xùn)練及模型文件

本章采用AlexNet模型對Flowers數(shù)據(jù)進(jìn)行訓(xùn)練。AlexNet在2012取得了ImageNet最好成績，top 5準(zhǔn)確率達(dá)到80.2%。這對于傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法而言，已經(jīng)相當(dāng)出色。模型結(jié)構(gòu)如下：

本文采用TensorFlow官方Slim（https://github.com/tensorflow/models/tree/master/slim）AlexNet模型進(jìn)行訓(xùn)練。

首先下載Flowers數(shù)據(jù)，并轉(zhuǎn)換為TFRecord格式：

DATA_DIR=/tmp/data/flowers python download_and_convert_data.py --dataset_name=flowers --dataset_dir="${DATA_DIR}"

執(zhí)行模型訓(xùn)練，經(jīng)過36618次迭代后，模型精度達(dá)到85%

TRAIN_DIR=/tmp/data/train python train_image_classifier.py --train_dir=${TRAIN_DIR} --dataset_dir=${DATASET_DIR} --dataset_name=flowers --dataset_split_name=train --model_name=alexnet_v2 --preprocessing_name=vgg

生成Inference Graph的PB文件

python export_inference_graph.py --alsologtostderr --model_name=alexnet_v2 --dataset_name=flowers --dataset_dir=${DATASET_DIR} --output_file=alexnet_v2_inf_graph.pb

結(jié)合CheckPoint文件和Inference GraphPB文件，生成Freeze Graph的PB文件

python freeze_graph.py --input_graph=alexnet_v2_inf_graph.pb --input_checkpoint= ${TRAIN_DIR}/model.ckpt-36618 --input_binary=true --output_graph=frozen_alexnet_v2.pb --output_node_names=alexnet_v2/fc8/squeezed

對Freeze Graph的PB文件進(jìn)行數(shù)據(jù)量化處理，減少模型文件的大小，生成的quantized_alexnet_v2_graph.pb為智能終端中應(yīng)用的模型文件

bazel-bin/tensorflow/tools/graph_transforms/transform_graph --in_graph=frozen_alexnet_v2.pb --outputs="alexnet_v2/fc8/squeezed" --out_graph=quantized_alexnet_v2_graph.pb --transforms='add_default_attributes strip_unused_nodes(type=float, shape="1,224,224,3") remove_nodes(op=Identity, op=CheckNumerics) fold_constants(ignore_errors=true) fold_batch_norms fold_old_batch_norms quantize_weights quantize_nodes strip_unused_nodes sort_by_execution_order'

為了減少智能終端上模型文件的大小，TensorFlow中常用的方法是對模型文件進(jìn)行量化處理，本文對AlexNet CheckPoint文件進(jìn)行Freeze和Quantized處理后的文件大小變化如下圖所示：

量化操作的主要思想是在模型的Inference階段采用等價(jià)的8位整數(shù)操作代替32位的浮點(diǎn)數(shù)操作，替換的操作包括：卷積操作、矩陣相乘、激活函數(shù)、池化操作等。量化節(jié)點(diǎn)的輸入、輸出為浮點(diǎn)數(shù)，但是內(nèi)部運(yùn)算會通過量化計(jì)算轉(zhuǎn)換為8位整數(shù)（范圍為0到255）的運(yùn)算，浮點(diǎn)數(shù)和8位量化整數(shù)的對應(yīng)關(guān)系示例如下圖所示：

量化Relu操作的基本思想如下圖所示:

TensorFlow Android應(yīng)用開發(fā)環(huán)境構(gòu)建

在Android系統(tǒng)上使用TensorFlow模型做Inference依賴于兩個文件libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar。這兩個文件可以通過下載TensorFlow源代碼后，采用bazel編譯出來，如下所示：

下載TensorFlow源代碼

git clone --recurse-submoduleshttps://github.com/tensorflow/tensorflow.git

下載安裝Android NDK

下載安裝Android SDK

配置tensorflow/WORKSPACE中android開發(fā)工具路徑

android_sdk_repository(name = "androidsdk", api_level = 23, build_tools_version = "25.0.2", path = "/opt/android",) android_ndk_repository(name="androidndk", path="/opt/android/android-ndk-r12b", api_level=14)

編譯libtensorflow_inference.so

bazel build -c opt //tensorflow/contrib/android:libtensorflow_inference.so --crosstool_top=//external:android/crosstool --host_crosstool_top= @bazel_tools//tools/cpp:toolchain --cpu=armeabi-v7a

編譯libandroid_tensorflow_inference_java.jar

bazel build //tensorflow/contrib/android:android_tensorflow_inference_java

TensorFlow提供了Android開發(fā)的示例框架，下面基于AlexNet模型的看花識名APP做一些相應(yīng)源碼的修改，并編譯生成Android的安裝包：

基于AlexNet模型，修改Inference的輸入、輸出的Tensor名稱

private static final String INPUT_NAME = "input"; private static final String OUTPUT_NAME = "alexnet_v2/fc8/squeezed";

放置quantized_alexnet_v2_graph.pb和對應(yīng)的labels.txt文件到assets目錄下，并修改Android文件路徑

private static final String MODEL_FILE = "file:///android_asset/quantized_alexnet_v2_graph.pb"; private static final String LABEL_FILE = "file:///android_asset/labels.txt";

編譯生成安裝包

bazel build -c opt //tensorflow/examples/android:tensorflow_demo

拷貝tensorflow_demo.apk到手機(jī)上，并執(zhí)行安裝，太陽花識別效果如下圖所示：

(點(diǎn)擊放大圖像)

TensorFlow移動端應(yīng)用開發(fā)API

在Android系統(tǒng)中執(zhí)行TensorFlow Inference操作，需要調(diào)用libandroid_tensorflow_inference_java.jar中的JNI接口，主要接口如下：

構(gòu)建TensorFlow Inference對象，構(gòu)建該對象時候會加載TensorFlow動態(tài)鏈接庫libtensorflow_inference.so到系統(tǒng)中；參數(shù)assetManager為android asset管理器；參數(shù)modelFilename為TensorFlow模型文件在android_asset中的路徑。

TensorFlowInferenceInterface inferenceInterface = new TensorFlowInferenceInterface(assetManager, modelFilename);

向TensorFlow圖中加載輸入數(shù)據(jù)，本App中輸入數(shù)據(jù)為攝像頭截取到的圖片；參數(shù)inputName為TensorFlow Inference中的輸入數(shù)據(jù)Tensor的名稱；參數(shù)floatValues為輸入圖片的像素?cái)?shù)據(jù)，進(jìn)行預(yù)處理后的浮點(diǎn)值；[1,inputSize,inputSize,3]為裁剪后圖片的大小，比如1張224*224*3的RGB圖片。

inferenceInterface.feed(inputName, floatValues, 1, inputSize, inputSize, 3);

執(zhí)行模型推理； outputNames為TensorFlow Inference模型中要運(yùn)算Tensor的名稱，本APP中為分類的Logist值。

inferenceInterface.run(outputNames);

獲取模型Inference的運(yùn)算結(jié)果，其中outputName為Tensor名稱，參數(shù)outputs存儲Tensor的運(yùn)算結(jié)果。本APP中，outputs為計(jì)算得到的Logist浮點(diǎn)數(shù)組。

inferenceInterface.fetch(outputName, outputs);

總結(jié)

本文基于看花識名APP，講解了TensorFlow在Android智能終端中的應(yīng)用技術(shù)。首先回顧了AlexNet模型結(jié)構(gòu)，基于AlexNet的slim模型對Flowers數(shù)據(jù)進(jìn)行訓(xùn)練；對訓(xùn)練后的CheckPoint數(shù)據(jù)，進(jìn)行Freeze和Quantized處理，生成智能終端要用的Inference模型。然后介紹了TensorFlow Android應(yīng)用開發(fā)環(huán)境的構(gòu)建，編譯生成TensorFlow在Android上的動態(tài)鏈接庫以及java開發(fā)包；文章最后介紹了Inference API的使用方式。