iOS相比Android移植TensorFlow没那么方便，要用C++来编写，接下来讲一下iOS调用TensorFlow的过程。
- 引入依赖
在Podfile中加入pod 'TensorFlow-experimental'，再在terminal中cd进项目目录输入pod install即可安装依赖。
- 复制PB文件
快速开发的话直接把PB文件放在data文件夹里就行，如果正式上线的时候觉得PB文件一起打包较大的话可以放在服务器，打开APP的时候提示下载再复制进去就好。
- 引入头文件、命名空间
#import <opencv2/imgcodecs/ios.h>
#include "tensorflow/cc/ops/const_op.h"
#include "tensorflow/core/framework/op_kernel.h"
#include "tensorflow/core/public/session.h"
#include <tensorflow/core/kernels/reshape_op.h>
#include <tensorflow/core/kernels/argmax_op.h>
using namespace tensorflow;
using namespace tensorflow::core;
- 处理数据
图像处理相比于Android的bitmap操作还是较为麻烦，iOS需要用到opencv，所以还需要引入opencv的依赖，通过cv的UIImageToMat方法吧UIImage转成cv::Mat再进行矩阵操作（类似：灰度处理、归一化、平展）
UIImage *image = [UIImage imageNamed:@"OOLU8095571.jpg"];
self.preImageView.contentMode = UIViewContentModeRedraw;
UIImageToMat(image,cvMatImage);
cvMatImage.convertTo(cvMatImage, CV_32F, 1.0/255., 0);//归一化
cv::Mat reshapeMat= cvMatImage.reshape(0,1);//reshape
NSString* inference_result = RunModel(reshapeMat);
self.urlContentTextView.text = inference_result;
RunModel(reshapeMat)就是把处理过的数据传递给TensorFlow去运算了。
- 定义常量
这里跟Android差不多，定义一些必要的常量，输入输出节点，输出输出节点数据，图像尺寸、通道等
std::string input_layer = "inputs/X";
std::string output_layer = "output/predict";
tensorflow::Tensor x(
tensorflow::DT_FLOAT,
tensorflow::TensorShape({wanted_height*wanted_width}));
std::vector<tensorflow::Tensor> outputs;
const int wanted_width = 256;
const int wanted_height = 64;
const int wanted_channels = 1;
- 创建session
这里跟Android不同，需要手动创建session
tensorflow::SessionOptions options;
tensorflow::Session* session_pointer = nullptr;
tensorflow::Status session_status = tensorflow::NewSession(options, &session_pointer);
if (!session_status.ok()) {
std::string status_string = session_status.ToString();
return [NSString stringWithFormat: @"Session create failed - %s",
status_string.c_str()];
}
std::unique_ptr<tensorflow::Session> session(session_pointer);
- 载入graph
tensorflow::GraphDef tensorflow_graph;
NSString* network_path = FilePathForResourceName(@"rounded_graph", @"pb");
PortableReadFileToProto([network_path UTF8String], &tensorflow_graph);
tensorflow::Status s = session->Create(tensorflow_graph);
if (!s.ok()) {
LOG(ERROR) << "Could not create TensorFlow Graph: " << s;
return @"";
}
其中FilePathForResourceName是返回graph的地址
NSString* FilePathForResourceName(NSString* name, NSString* extension) {
NSString* file_path = [[NSBundle mainBundle] pathForResource:name ofType:extension];
if (file_path == NULL) {
LOG(FATAL) << "Couldn't find '" << [name UTF8String] << "."
<< [extension UTF8String] << "' in bundle.";
}
return file_path;
}
PortableReadFileToProto是把graph读到内存中并赋值给tensorflow_graph，并使用session->Create(tensorflow_graph)把graph载入到session中。
- 输入数据的类型转换
输入到TensorFlow的数据不能是mat类型的所以进行mat转vector操作
vector<float> Vmat;
Vmat.assign ( ( float* )ImageMat.datastart, ( float* )ImageMat.dataend );
auto dst = x.flat<float>().data();
auto img = Vmat;
std::copy_n(img.begin(), wanted_width*wanted_height, dst);
- run session
tensorflow::Status run_status = session->Run({{input_layer, x}},
{output_layer}, {}, &outputs);
if (!run_status.ok()) {
LOG(ERROR) << "Running model failed: " << run_status;
tensorflow::LogAllRegisteredKernels();
result = @"Error running model";
return result;
}
- 数据变换
使用operator方法获取到tensor中的每一个元素值，重新赋值给array。
auto outputMatrix = outputs[0].flat<int64>();
array<long,11> outputArray;
for(int i=0;i<11;i++){
outputArray[i]=outputMatrix.operator()(i);
}
NSString *predictionstr = vec2text(outputArray);
获取完之后需要对数据进行处理，比如我们做的vector转text。
NSString* vec2text(array<long,11> outputArray) {
std::stringstream ss;
ss.precision(12);
ss <<"Prediction:";
for(int i=0;i<11;i++){
long char_idx=outputArray[i];
long char_code = 0;
if (char_idx<10){
char_code = char_idx + int('0');
}
else if (char_idx<36){
char_code = char_idx-10 + int('A');
}
else if (char_idx<62){
char_code = char_idx + int('a');
}
ss << char(char_code);
}
tensorflow::string predictions = ss.str();
NSString* result = [NSString stringWithFormat: @"%s",
predictions.c_str()];
return result;
}
iOS调用TensorFlow的基础运用就这样，高级用法可以使用MemoryMappedModel，这种方法会比较节省内存，更加优雅。
