[[204425]]

前言

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大的服務(wù)器端進行運算。如果智能手機通過網(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，為了提高運算性能和內(nèi)存利用率，需要對服務(wù)器端的模型進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)建在智能手機上工作并且不需要云端每時每刻都支持的機器學(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)進行訓(xùn)練。AlexNet在2012取得了ImageNet***成績，top 5準(zhǔn)確率達到80.2%。這對于傳統(tǒng)的機器學(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行量化處理，本文對AlexNet CheckPoint文件進行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階段采用等價的8位整數(shù)操作代替32位的浮點數(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)點的輸入、輸出為浮點數(shù)，但是內(nèi)部運算會通過量化計算轉(zhuǎn)換為8位整數(shù)(范圍為0到255)的運算，浮點數(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-submodules https://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到手機上，并執(zhí)行安裝，太陽花識別效果如下圖所示：(點擊放大圖像)

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為輸入圖片的像素數(shù)據(jù)，進行預(yù)處理后的浮點值;[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模型中要運算Tensor的名稱，本APP中為分類的Logist值。

inferenceInterface.run(outputNames); 

• 獲取模型Inference的運算結(jié)果，其中outputName為Tensor名稱，參數(shù)outputs存儲Tensor的運算結(jié)果。本APP中，outputs為計算得到的Logist浮點數(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)進行訓(xùn)練;對訓(xùn)練后的CheckPoint數(shù)據(jù)，進行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***介紹了Inference API的使用方式。

參考文獻

• http://www.tensorflow.org
• 深度學(xué)習(xí)利器:分布式TensorFlow及實例分析
• 深度學(xué)習(xí)利器：TensorFlow使用實戰(zhàn)
• 深度學(xué)習(xí)利器：TensorFlow系統(tǒng)架構(gòu)與高性能程序設(shè)計
• 深度學(xué)習(xí)利器：TensorFlow與深度卷積神經(jīng)網(wǎng)絡(luò)
• 深度學(xué)習(xí)利器：TensorFlow與NLP模型