將tensorflow訓練好的模型移植到Android (MNIST手寫數字識別)

【尊重原創，轉載請注明出處】https://blog.csdn.net/guyuealian/article/details/79672257

項目Github下載地址：https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo ，麻煩給個“star”哈

? ? ? ?本博客將以最簡單的方式，利用TensorFlow實現了MNIST手寫數字識別，并將Python TensoFlow訓練好的模型移植到Android手機上運行。網上也有很多移植教程，大部分是在Ubuntu(Linux)系統，一般先利用Bazel工具把TensoFlow編譯成.so庫文件和jar包，再進行Android配置，實現模型移植。不會使用Bazel也沒關系，實質上TensoFlow已經為開發者提供了最新的.so庫文件和對應的jar包了（如libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar），我們只需要下載文件，并在本地Android Studio導入jar包和.so庫文件，即可以在Android加載TensoFlow的模型了。?

? ? ??當然了，本博客的項目代碼都上傳到Github：https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo

? ? ? 先說一下，本人的開發環境：

• Windows 7
• Python3.5
• TensoFlow 1.6.0（2018年3月23日—當前最新版）
• Android Studio 3.0.1（2018年3月23日—當前最新版）

一、利用Python訓練模型

? ?以MNIST手寫數字識別為例，這里首先使用Python版的TensorFlow實現單隱含層的SoftMax Regression分類器，并將訓練好的模型的網絡拓撲結構和參數保存為pb文件。首先，需要定義模型的輸入層和輸出層節點的名字（通過形參 'name'指定，名字可以隨意，后面加載模型時，都是通過該name來傳遞數據的）：

x = tf.placeholder(tf.float32,[None,784],name='x_input')#輸入節點：x_input . . . pre_num=tf.argmax(y,1,output_type='int32',name="output")#輸出節點：output

PS：說一下鄙人遇到坑：起初，我參照網上相關教程訓練了一個模型，在Windows下測試沒錯，但把模型移植到Android后就出錯了，但用別人的模型又正常運行；后來折騰了半天才發現，是類型轉換出錯啦！！！！
TensorFlow默認類型是float32，但我們希望返回的是一個int型，因此需要指定output_type='int32'；但注意了，在Windows下測試使用int64和float64都是可以的，但在Android平臺上只能使用int32和float32,并且對應Java的int和float類型。

?將訓練好的模型保存為.pb文件，這就需要用到tf.graph_util.convert_variables_to_constants函數了。

# 保存訓練好的模型 #形參output_node_names用于指定輸出的節點名稱,output_node_names=['output']對應pre_num=tf.argmax(y,1,name="output"), output_graph_def = graph_util.convert_variables_to_constants(sess, sess.graph_def,output_node_names=['output']) with tf.gfile.FastGFile('model/mnist.pb', mode='wb') as f:#’wb’中w代表寫文件，b代表將數據以二進制方式寫入文件。f.write(output_graph_def.SerializeToString())

? ?關于tensorflow保存模型和加載模型的方法，請參考本人另一篇博客：https://blog.csdn.net/guyuealian/article/details/79693741

? ?這里給出Python訓練模型完整的代碼如下：

#coding=utf-8 # 單隱層SoftMax Regression分類器：訓練和保存模型模塊 from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf from tensorflow.python.framework import graph_util print('tensortflow:{0}'.format(tf.__version__))mnist = input_data.read_data_sets("Mnist_data/", one_hot=True)#create model with tf.name_scope('input'):x = tf.placeholder(tf.float32,[None,784],name='x_input')#輸入節點名：x_inputy_ = tf.placeholder(tf.float32,[None,10],name='y_input') with tf.name_scope('layer'):with tf.name_scope('W'):#tf.zeros([3, 4], tf.int32) ==> [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]W = tf.Variable(tf.zeros([784,10]),name='Weights')with tf.name_scope('b'):b = tf.Variable(tf.zeros([10]),name='biases')with tf.name_scope('W_p_b'):Wx_plus_b = tf.add(tf.matmul(x, W), b, name='Wx_plus_b')y = tf.nn.softmax(Wx_plus_b, name='final_result')# 定義損失函數和優化方法 with tf.name_scope('loss'):loss = -tf.reduce_sum(y_ * tf.log(y)) with tf.name_scope('train_step'):train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)print(train_step) # 初始化 sess = tf.InteractiveSession() init = tf.global_variables_initializer() sess.run(init) # 訓練 for step in range(100):batch_xs,batch_ys =mnist.train.next_batch(100)train_step.run({x:batch_xs,y_:batch_ys})# variables = tf.all_variables()# print(len(variables))# print(sess.run(b))# 測試模型準確率 pre_num=tf.argmax(y,1,output_type='int32',name="output")#輸出節點名：output correct_prediction = tf.equal(pre_num,tf.argmax(y_,1,output_type='int32')) accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) a = accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}) print('測試正確率：{0}'.format(a))# 保存訓練好的模型 #形參output_node_names用于指定輸出的節點名稱,output_node_names=['output']對應pre_num=tf.argmax(y,1,name="output"), output_graph_def = graph_util.convert_variables_to_constants(sess, sess.graph_def,output_node_names=['output']) with tf.gfile.FastGFile('model/mnist.pb', mode='wb') as f:#’wb’中w代表寫文件，b代表將數據以二進制方式寫入文件。f.write(output_graph_def.SerializeToString()) sess.close()

上面的代碼已經將訓練模型保存在model/mnist.pb，當然我們可以先在Python中使用該模型進行簡單的預測，測試方法如下：

import tensorflow as tf import numpy as np from PIL import Image import matplotlib.pyplot as plt#模型路徑 model_path = 'model/mnist.pb' #測試圖片 testImage = Image.open("data/test_image.jpg");with tf.Graph().as_default():output_graph_def = tf.GraphDef()with open(model_path, "rb") as f:output_graph_def.ParseFromString(f.read())tf.import_graph_def(output_graph_def, name="")with tf.Session() as sess:tf.global_variables_initializer().run()# x_test = x_test.reshape(1, 28 * 28)input_x = sess.graph.get_tensor_by_name("input/x_input:0")output = sess.graph.get_tensor_by_name("output:0")#對圖片進行測試testImage=testImage.convert('L')testImage = testImage.resize((28, 28))test_input=np.array(testImage)test_input = test_input.reshape(1, 28 * 28)pre_num = sess.run(output, feed_dict={input_x: test_input})#利用訓練好的模型預測結果print('模型預測結果為：',pre_num)#顯示測試的圖片# testImage = test_x.reshape(28, 28)fig = plt.figure(), plt.imshow(testImage,cmap='binary') # 顯示圖片plt.title("prediction result:"+str(pre_num))plt.show()

二、移植到Android

? ? 相信大家看到很多大神的博客，都是要自己編譯TensoFlow的so庫和jar包，說實在的，這個過程真TM麻煩，反正我弄了半天都沒成功過，然后放棄了……。本博客的移植方法不需要安裝Bazel，也不需要構建TensoFlow的so庫和jar包，因為Google在TensoFlow github中給我們提供了，為什么不用了！！！

1、下載TensoFlow的jar包和so庫

? ? TensoFlow在Github已經存放了很多開發文件：https://github.com/PanJinquan/tensorflow

? ?我們需要做的是，下載Android:?native libs?，打包下載全部文件，其中有我們需要的libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar，有了這兩個文件，剩下的就是在Android Studio配置的問題了

2、Android Studio配置

（1）新建一個Android項目

（2）把訓練好的pb文件（mnist.pb）放入Android項目中app/src/main/assets下，若不存在assets目錄，右鍵main->new->Directory，輸入assets。

（3）將下載的libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar如下結構放在libs文件夾下

?

（4）app\build.gradle配置

? ? 在defaultConfig中添加

multiDexEnabled truendk {abiFilters "armeabi-v7a"}

? ? 增加sourceSets

sourceSets {main {jniLibs.srcDirs = ['libs']}}

? ? 在dependencies中增加TensoFlow編譯的jar文件libandroid_tensorflow_inference_java.jar：

compile files('libs/libandroid_tensorflow_inference_java.jar')

? ?OK了，build.gradle配置完成了，剩下的就是java編程的問題了。

3、模型調用

? 在需要調用TensoFlow的地方，加載so庫“System.loadLibrary("tensorflow_inference");并”import org.tensorflow.contrib.android.TensorFlowInferenceInterface;就可以使用了

? ? ?注意，舊版的TensoFlow，是如下方式進行，該方法可參考大神的博客：https://www.jianshu.com/p/1168384edc1e

TensorFlowInferenceInterface.fillNodeFloat(); //送入輸入數據 TensorFlowInferenceInterface.runInference(); //進行模型的推理 TensorFlowInferenceInterface.readNodeFloat(); //獲取輸出數據

? ? ?但在最新的libandroid_tensorflow_inference_java.jar中，已經沒有這些方法了，換為

TensorFlowInferenceInterface.feed() TensorFlowInferenceInterface.run() TensorFlowInferenceInterface.fetch()

? ? ?下面是以MNIST手寫數字識別為例，其實現方法如下：

package com.example.jinquan.pan.mnist_ensorflow_androiddemo;import android.content.res.AssetManager; import android.graphics.Bitmap; import android.graphics.Color; import android.graphics.Matrix; import android.util.Log;import org.tensorflow.contrib.android.TensorFlowInferenceInterface;public class PredictionTF {private static final String TAG = "PredictionTF";//設置模型輸入/輸出節點的數據維度private static final int IN_COL = 1;private static final int IN_ROW = 28*28;private static final int OUT_COL = 1;private static final int OUT_ROW = 1;//模型中輸入變量的名稱private static final String inputName = "input/x_input";//模型中輸出變量的名稱private static final String outputName = "output";TensorFlowInferenceInterface inferenceInterface;static {//加載libtensorflow_inference.so庫文件System.loadLibrary("tensorflow_inference");Log.e(TAG,"libtensorflow_inference.so庫加載成功");}PredictionTF(AssetManager assetManager, String modePath) {//初始化TensorFlowInferenceInterface對象inferenceInterface = new TensorFlowInferenceInterface(assetManager,modePath);Log.e(TAG,"TensoFlow模型文件加載成功");}/*** 利用訓練好的TensoFlow模型預測結果* @param bitmap 輸入被測試的bitmap圖* @return 返回預測結果，int數組*/public int[] getPredict(Bitmap bitmap) {float[] inputdata = bitmapToFloatArray(bitmap,28, 28);//需要將圖片縮放帶28*28//將數據feed給tensorflow的輸入節點inferenceInterface.feed(inputName, inputdata, IN_COL, IN_ROW);//運行tensorflowString[] outputNames = new String[] {outputName};inferenceInterface.run(outputNames);///獲取輸出節點的輸出信息int[] outputs = new int[OUT_COL*OUT_ROW]; //用于存儲模型的輸出數據inferenceInterface.fetch(outputName, outputs);return outputs;}/*** 將bitmap轉為（按行優先）一個float數組，并且每個像素點都歸一化到0~1之間。* @param bitmap 輸入被測試的bitmap圖片* @param rx 將圖片縮放到指定的大小（列）->28* @param ry 將圖片縮放到指定的大小（行）->28* @return 返回歸一化后的一維float數組 ->28*28*/public static float[] bitmapToFloatArray(Bitmap bitmap, int rx, int ry){int height = bitmap.getHeight();int width = bitmap.getWidth();// 計算縮放比例float scaleWidth = ((float) rx) / width;float scaleHeight = ((float) ry) / height;Matrix matrix = new Matrix();matrix.postScale(scaleWidth, scaleHeight);bitmap = Bitmap.createBitmap(bitmap, 0, 0, width, height, matrix, true);Log.i(TAG,"bitmap width:"+bitmap.getWidth()+",height:"+bitmap.getHeight());Log.i(TAG,"bitmap.getConfig():"+bitmap.getConfig());height = bitmap.getHeight();width = bitmap.getWidth();float[] result = new float[height*width];int k = 0;//行優先for(int j = 0;j < height;j++){for (int i = 0;i < width;i++){int argb = bitmap.getPixel(i,j);int r = Color.red(argb);int g = Color.green(argb);int b = Color.blue(argb);int a = Color.alpha(argb);//由于是灰度圖，所以r,g,b分量是相等的。assert(r==g && g==b); // Log.i(TAG,i+","+j+" : argb = "+argb+", a="+a+", r="+r+", g="+g+", b="+b);result[k++] = r / 255.0f;}}return result;} }

• 簡單說明一下：項目新建了一個PredictionTF類，該類會先加載libtensorflow_inference.so庫文件；PredictionTF(AssetManager assetManager, String modePath)?構造方法需要傳入AssetManager對象和pb文件的路徑；
• ?從資源文件中獲取BitMap圖片，并傳入?getPredict(Bitmap bitmap)方法，該方法首先將BitMap圖像縮放到28*28的大小，由于原圖是灰度圖，我們需要獲取灰度圖的像素值，并將28*28的像素轉存為行向量的一個float數組，并且每個像素點都歸一化到0~1之間，這個就是bitmapToFloatArray(Bitmap bitmap, int rx, int ry)方法的作用；
• ?然后將數據feed給tensorflow的輸入節點，并運行(run)tensorflow，最后獲取（fetch）輸出節點的輸出信息。

? ?MainActivity很簡單，一個單擊事件獲取預測結果:

package com.example.jinquan.pan.mnist_ensorflow_androiddemo;import android.graphics.Bitmap; import android.graphics.BitmapFactory; import android.support.v7.app.AppCompatActivity; import android.os.Bundle; import android.util.Log; import android.view.View; import android.widget.ImageView; import android.widget.TextView;public class MainActivity extends AppCompatActivity {// Used to load the 'native-lib' library on application startup.static {System.loadLibrary("native-lib");//可以去掉}private static final String TAG = "MainActivity";private static final String MODEL_FILE = "file:///android_asset/mnist.pb"; //模型存放路徑TextView txt;TextView tv;ImageView imageView;Bitmap bitmap;PredictionTF preTF;@Overrideprotected void onCreate(Bundle savedInstanceState) {super.onCreate(savedInstanceState);setContentView(R.layout.activity_main);// Example of a call to a native methodtv = (TextView) findViewById(R.id.sample_text);txt=(TextView)findViewById(R.id.txt_id);imageView =(ImageView)findViewById(R.id.imageView1);bitmap = BitmapFactory.decodeResource(getResources(), R.drawable.test_image);imageView.setImageBitmap(bitmap);preTF =new PredictionTF(getAssets(),MODEL_FILE);//輸入模型存放路徑，并加載TensoFlow模型}public void click01(View v){String res="預測結果為：";int[] result= preTF.getPredict(bitmap);for (int i=0;i<result.length;i++){Log.i(TAG, res+result[i] );res=res+String.valueOf(result[i])+" ";}txt.setText(res);tv.setText(stringFromJNI());}/*** A native method that is implemented by the 'native-lib' native library,* which is packaged with this application.*/public native String stringFromJNI();//可以去掉 }

? ?activity_main布局文件：

<?xml version="1.0" encoding="utf-8"?> <LinearLayout xmlns:android="http://schemas.android.com/apk/res/android"android:layout_width="match_parent"android:layout_height="match_parent"android:orientation="vertical"android:paddingBottom="16dp"android:paddingLeft="16dp"android:paddingRight="16dp"android:paddingTop="16dp"><TextViewandroid:id="@+id/sample_text"android:layout_width="wrap_content"android:layout_height="wrap_content"android:text="https://blog.csdn.net/guyuealian"android:layout_gravity="center"/><Buttonandroid:onClick="click01"android:layout_width="match_parent"android:layout_height="wrap_content"android:text="click" /><TextViewandroid:id="@+id/txt_id"android:layout_width="match_parent"android:layout_height="wrap_content"android:gravity="center"android:text="結果為："/><ImageViewandroid:id="@+id/imageView1"android:layout_width="wrap_content"android:layout_height="wrap_content"android:layout_gravity="center"/> </LinearLayout>

最后一步，就是run,run，run，效果如下，?

本博客的項目代碼都上傳到Github：下載地址：https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo

?

相關參考資料：https://blog.csdn.net/gzhermit/article/details/73924515

如果你覺得該帖子幫到你，還望貴人多多支持，鄙人會再接再厲，繼續努力的~

?

總結

以上是生活随笔為你收集整理的将tensorflow训练好的模型移植到Android (MNIST手写数字识别)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。