tensorflow
Tensorflow是Google开源的一套机器学习框架，支持GPU、CPU、Android等多种计算平台。本文将介绍在Tensorflow在Android上的使用。
Android使用Tensorflow框架需要引入两个文件libtensorflow_inference.so、libandroid_tensorflow_inference_java.jar。这两个文件可以使用官方预编译的文件。如果预编译的so不满足要求（比如不支持训练模型中的某些操作符运算），也可以自己通过bazel编译生成这两个文件。
将libandroid_tensorflow_inference_java.jar放在app下的libs目录下，so文件命名为libtensorflow_jni.so放在src/main/jniLibs目录下对应的ABI文件夹下。目录结构如下：
android目录结构
同时在app的build.gradle中的dependencies模块下添加如下配置：
dependencies {
...
compile files('libs/libandroid_tensorflow_inference_java.jar')
...
}
使用tensorflow框架进行机器学习分为四个步骤：
- 构造神经网络
- 训练神经网络模型
- 将训练好的模型输出为pb文件
- 在Android上加载pb模型进行计算
前三步是模型的构造，我们通过python实现，下面给出了一个二分类的简单模型的构造过程，首先是训练过程：
# -*-coding:utf-8 -*-
from __future__ import print_function
import os
import tensorflow as tf
from numpy.random import RandomState
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
"""
训练模型
"""
def train():
# 定义训练数据集batch大小为8
batch_size = 8
# 定义神经网络参数，参数体现出神经网络结构，一个输入层，一个输出层，一个隐藏层
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1), name="w1_val")
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1), name="w2_val")
# 定义输入输出格式
x = tf.placeholder(tf.float32, shape=(None, 2), name='x_input')
y_ = tf.placeholder(tf.float32, shape=(None, 1))
# 定义神经网络前向传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2, name="cal_node")
# 定义交叉熵和反向传播算法
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
train_step = tf.train.AdadeltaOptimizer(0.001).minimize(cross_entropy)
# 生成随机训练集
rdm = RandomState(1)
dataset_size = 128
# 定义映射关系
X = rdm.rand(dataset_size, 2)
Y = [[int(x1 + x2 < 1)] for (x1, x2) in X]
with tf.Session() as sess:
# 初始化所有参数
init_op = tf.global_variables_initializer()
sess.run(init_op)
# print sess.run(w1)
# print sess.run(w2)
STEPS = 500
for i in range(STEPS):
start = (i * batch_size) % dataset_size
end = min(start + batch_size, dataset_size)
# 训练神经网络，更新神经网络参数
sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
if i % 100 == 0:
total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})
print("After %d training step(s), cross entropy on all data is %g" % (i, total_cross_entropy))
print(sess.run(w1))
print(sess.run(w2))
# 保存check point
saver = tf.train.Saver(tf.trainable_variables())
saver.save(sess, './model/checpt')
上面的代码首先定义神经网络，初始化训练数据，进行500次训练过程，并将训练结果checkpoints保存到model文件夹下，checkpoints包含了训练模型得到的参数信息，共生成四个相关的文件，如下图：
checkpoint相关文件
由于checkpoint文件众多，为了方便使用，我们通过下面的代码将它们生成一个pb文件，在android上只需要这个pb文件即可使用这个训练好的模型：
"""
存储pb模型
"""
def dump_graph_to_pb(pb_path):
with tf.Session() as sess:
check_point = tf.train.get_checkpoint_state("./model/")
if check_point:
saver = tf.train.import_meta_graph(check_point.model_checkpoint_path + '.meta')
saver.restore(sess, check_point.model_checkpoint_path)
else:
raise ValueError("Model load failed from {}".format(check_point.model_checkpoint_path))
graph_def = tf.graph_util.convert_variables_to_constants(sess, sess.graph.as_graph_def(), "cal_node".split(","))
with tf.gfile.GFile(pb_path, "wb") as f:
f.write(graph_def.SerializeToString())
拿到生成的pb模型，我们可以在android上使用了。将pb文件在这main/assets下：
image.png
接下来就可以载入pb，进行计算了：
public class MainActivity extends AppCompatActivity {
private Graph graph_;
private Session session_;
private AssetManager assetManager;
private static ExecutorService executorService;
private static Handler handler;
@Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_main);
executorService = Executors.newFixedThreadPool(5);
// 初始化tensorflow
initTensorFlow("outmodel.pb");
// 使用tensorflow进行计算
runTensorFlow();
}
...
}
通过如下方式载入pb模型，初始化tensorflow：
private boolean initTensorFlow(String modelFile) {
assetManager = getAssets();
// 新建Graph
graph_ = new Graph();
InputStream is = null;
try {
// 读取Assets pb文件
is = assetManager.open(modelFile);
} catch (IOException e) {
e.printStackTrace();
return false;
}
try {
// 加载pb到Graph
TensorUtil.loadGraph(is, graph_);
is.close();
} catch (IOException e) {
e.printStackTrace();
return false;
}
// 初始化session
session_ = new Session(graph_);
if (session_ == null) {
return false;
}
return true;
}
然后就可以使用tensorflow API进行运算了：
private void runTensorFlow() {
executorService.execute(generatePredictRunnable(handler));
}
private Runnable generatePredictRunnable(Handler handler) {
return new Runnable() {
@Override
public void run() {
float[][] input = new float[1][2];
input[0][0] = 1;
input[0][1] = 2;
// 定义输入tensor
Tensor inputTensor = Tensor.create(input);
// 指定输入，输出节点，运行并得到结果
Tensor resultTensor = session_.runner()
.feed("x_input", inputTensor)
.fetch("cal_node")
.run()
.get(0);
float[][] dst = new float[1][1];
resultTensor.copyTo(dst);
// 处理结果
ArrayList<Float> resultList = new ArrayList<>();
for (float val : dst[0]) {
if (val != 0) {
resultList.add(val);
} else {
break;
}
}
}
};
}
上面就是通过python训练机器学习模型，并在android平台进行调用的完整流程。
