深度學習在圖像處理、語音識別、自然語言處理領域的應用取得了巨大成功，但是它通常在功能強大的服務器端進行運算。

如果智能手機通過網絡遠程連接服務器，也可以利用深度學習技術，但這樣可能會很慢，而且只有在設備處于良好的網絡連接環境下才行，這就需要把深度學習模型遷移到智能終端。

由于智能終端CPU和內存資源有限，為了提高運算性能和內存利用率，需要對服務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，允許它在這些設備上執行圖像分類等操作。這樣就可以創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習模型，帶來了新的APP。

本文主要基于看花識名APP應用，講解TensorFlow模型如何應用于Android系統；在服務器端訓練TensorFlow模型，并把模型文件遷移到智能終端；TensorFlow Android開發環境構建以及應用開發API。

看花識名APP

使用AlexNet模型、Flowers數據以及Android平臺構建了“看花識名”APP。TensorFlow模型對五種類型的花數據進行訓練。如下圖所示：

Daisy：雛菊

Dandelion：蒲公英

Roses：玫瑰

Sunflowers：向日葵

Tulips：郁金香

在服務器上把模型訓練好后，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模型如何應用于看花識名APP中，主要包括以下幾個關鍵步驟：模型選擇和應用、模型文件轉換以及Android開發。如下圖所示：

模型訓練及模型文件

本章采用AlexNet模型對Flowers數據進行訓練。AlexNet在2012取得了ImageNet最好成績，top 5準確率達到80.2%。這對于傳統的機器學習分類算法而言，已經相當出色。模型結構如下：

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

首先下載Flowers數據，并轉換為TFRecord格式：

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

執行模型訓練，經過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文件進行數據量化處理，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位整數操作代替32位的浮點數操作，替換的操作包括：卷積操作、矩陣相乘、激活函數、池化操作等。量化節點的輸入、輸出為浮點數，但是內部運算會通過量化計算轉換為8位整數（范圍為0到255）的運算，浮點數和8位量化整數的對應關系示例如下圖所示：

量化Relu操作的基本思想如下圖所示:

TensorFlow Android應用開發環境構建

在Android系統上使用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開發的示例框架，下面基于AlexNet模型的看花識名APP做一些相應源碼的修改，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移動端應用開發API

在Android系統中執行TensorFlow Inference操作，需要調用libandroid_tensorflow_inference_java.jar中的JNI接口，主要接口如下：

構建TensorFlow Inference對象，構建該對象時候會加載TensorFlow動態鏈接庫libtensorflow_inference.so到系統中；參數assetManager為android asset管理器；參數modelFilename為TensorFlow模型文件在android_asset中的路徑。

TensorFlowInferenceInterface inferenceInterface = new TensorFlowInferenceInterface(assetManager, modelFilename);

向TensorFlow圖中加載輸入數據，本App中輸入數據為攝像頭截取到的圖片；參數inputName為TensorFlow Inference中的輸入數據Tensor的名稱；參數floatValues為輸入圖片的像素數據，進行預處理后的浮點值；[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的運算結果，其中outputName為Tensor名稱，參數outputs存儲Tensor的運算結果。本APP中，outputs為計算得到的Logist浮點數組。

inferenceInterface.fetch(outputName, outputs);

總結

本文基于看花識名APP，講解了TensorFlow在Android智能終端中的應用技術。首先回顧了AlexNet模型結構，基于AlexNet的slim模型對Flowers數據進行訓練；對訓練后的CheckPoint數據，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應用開發環境的構建，編譯生成TensorFlow在Android上的動態鏈接庫以及java開發包；文章最后介紹了Inference API的使用方式。