TF標準模型TensorFlow Mobile for Android
本文鏈接：https://blog.csdn.net/leifengpeng/article/details/78754405
在推出Tensorflow（一下簡稱TF）時同時推出了TensorFlow Mobile（手機版和標準電腦版有區別，一下簡稱TFM）對於移動設備上使用深度學習網絡還是有相對的限制，主要是計算性能無法達到。近期google推出了專門針對移動設備上可運行的深度網絡模型簡單版（Tensorflow Lite，一下簡稱TFT），查看其demo效果識別速度確實比較快，但是也有很多限制目前而言，區別如下：
1 TFT是TFM的進化版，在大多數情況下使用TFT來開發可以減少很多空間，其網絡模型要比TFM要小的多。
2 TFT目前爲開發預覽版本，沒有涵蓋所有用例，如果有需求還是推薦使用TFM。
3 TFT目前只支持一組有限的運算符，因此默認情況下並不是所有TF網絡模型都可以運行。而TFM具有更全面的支持功能。
整個過程可分爲3個步驟：
1 使用現有優秀的網絡模型訓練自己的模型
2 模型轉換成TFM可識別使用的模型文件
3 在AndroidStudio進行構建
如何使用現有的網絡模型訓練自己可用的模型？
這裏使用google訓練好的模型inception-2015-12-05.tgz（該模型在ImageNet比賽中獲得No.1）
https://storage.googleapis.com/download.tensorflow.org/models/tflite/mobilenet_v1_224_android_quant_2017_11_08.zip
模型下載需要穿牆。下載好以後新建文件夾retrain存放如新建inception_model 文件夾，這裏手動解壓，正常應該會有這些文件：(文件夾名稱隨意) 
該模型能識別1000個物體類別，性能表現良好，因此選擇該模型進行“遷移學習“
現在開始準備我們需要讓網絡識別的物體數據，如做人臉識別，可以事先採取人臉數據，每個人臉數據圖片不得少於 20 張圖片，格式爲jpg或者png。這裏準備喬布斯照片20張
重點來了，整個文件結構是固定的，有點蛋疼，新建目錄data ,在該文件夾下面在新疆 train 文件夾，在train文件夾下面新建某個具體人臉的文件夾 xxxface，然後具體的人臉數據放在對應的文件夾下面，如下： 
注意：在train下面一級的文件夾名稱必須小寫，不能有中文，文件夾名稱相當於類別標籤。
數據準備完畢後，在retrain文件夾下面新建一個文件夾 bottleneck 該文件夾名稱固定（這裏是由於網絡模型內部結構導致必須如此）
如果有興趣可以把可視化日子保存下來，如上圖的 summaries文件夾就是用來存放日誌的
以上都準備完畢後開始準備重建自己的網絡模型，首先打開cmd命令行窗口，找到在git上clone下來的Tensorflow項目，找到項目中的 ..\ tensorflow\tensorflow\examples\image_retraining\retrain.py 文件，複製該文件路徑到cmd中（這是python腳本因此需要python方式運行），在路徑後面追加參數，
參數1：–bottleneck_dir ..\ inception_model\retrain\bottleneck (這裏是剛剛新建的空文件夾)
參數2：–how_many_training_steps 100 （這裏表示訓練次數）
參數3：–model_dir ..\inception_model （這個表示下載下來的模型存放的文件夾）
參數4：–summaries_dir ..\inception_model\retrain\summaries (存放可視化模型日誌文件夾)
參數5：–output_graph ..\inception_model\retrain\myoutput_graph.pb (輸出模型的位置)
參數6：–output_labels ..\ inception_model\retrain\myoutput_lables.txt (輸出類別標籤位置)
參數7：–image_dir .. \inception_model\retrain\data\train (存放需要訓練圖片的文件夾地址)
綜上可寫入一個批處理文件中 retarin.bat：
python E:\openSource\Deeplearning\TensorFlow\tensorflow\tensorflow\examples\image_retraining\retrain.py ^
--bottleneck_dir E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\bottleneck ^
--how_many_training_steps 100 ^
--model_dir E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model ^
--summaries_dir E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\summaries ^
--output_graph E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\myoutput_graph.pb ^
--output_labels E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\myoutput_lables.txt ^
--image_dir E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\data\train ^
pause
執行以上語句，訓練完成後會在指定位置生產適用自己數據的網絡模型 myoutput_graph.pb和myoutput_lables.txt 標籤文件.
可以先在電腦上測試下模型是否正確識別訓練的圖片。
至此學習模型準備完畢。
模型轉換
在電腦上訓練的網絡模型，有些運算在TFM上可能不支持，需要做一些處理，處理步驟如下：
打開cmd，找到tensorflow項目中的strip_unused.py 腳本文件（..\ tensorflow\tensorflow\python\tools\strip_unused.py），複製該路徑到cmd中，該腳本需要幾個參數。
參數1：–input_graph=..\inception_model\retrain\myoutput_graph.pb （需要轉換的模型）
參數2：–output_graph= ..\inception_model\retrain\ my_tfm_output_graph.pb (轉換後存放)
參數3：–input_node_names=”Mul” (輸入節點的名稱，固定)
參數4：–output_node_names=”final_result” （輸出節點名稱，固定）
參數5：–input_binary=true （輸入二進制數據）
執行完以上腳本語句即可進行轉換。
最後構建App應用
打開Android Studio 導入項目 ..\ tensorflow\tensorflow\examples\android
導入後他會自動進行構建，構建過程會去下載一些數據，如果沒穿牆可能會fail 下載的數據可以在download-models.gradle 文件中看到： 
如果不需要下載這些模型數據可以找到build.gradle文件把
apply from: “download-models.gradle” 註釋即可。
修改編譯模式，在build.gradle文件中默認編譯工具爲bazel ，如果選擇bazel需要先安裝這個構建工具，這裏選擇cmake方式構建jni文件,修改：
def nativeBuildSystem = 'cmake'
- 1
接下來把剛剛轉換好的模型和標籤文件放入 項目 assets 文件夾下面：
修改org.tensorflow.demo. ClassifierActivity.java頁面（demo識別人口）
把這些屬性修改成以上值，在進行構建，構建成功後可直接運行到移動設備上。
效果：
