【尊重原創(chuàng)，轉(zhuǎn)載請注明出處】https://blog.csdn.net/guyuealian/article/details/79672257

項(xiàng)目Github下載地址：https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo

本博客將以最簡單的方式，利用TensorFlow實(shí)現(xiàn)了MNIST手寫數(shù)字識別，并將Python TensoFlow訓(xùn)練好的模型移植到Android手機(jī)上運(yùn)行。網(wǎng)上也有很多移植教程，大部分是在Ubuntu(Linux)系統(tǒng)，一般先利用Bazel工具把TensoFlow編譯成.so庫文件和jar包，再進(jìn)行Android配置，實(shí)現(xiàn)模型移植。不會使用Bazel也沒關(guān)系，實(shí)質(zhì)上TensoFlow已經(jīng)為開發(fā)者提供了最新的.so庫文件和對應(yīng)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(dǎo)入jar包和.so庫文件，即可以在Android加載TensoFlow的模型了。

當(dāng)然了，本博客的項(xiàng)目代碼都上傳到Github：https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo

先說一下，本人的開發(fā)環(huán)境：

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

一、利用Python訓(xùn)練模型

以MNIST手寫數(shù)字識別為例，這里首先使用Python版的TensorFlow實(shí)現(xiàn)單隱含層的SoftMax Regression分類器，并將訓(xùn)練好的模型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和參數(shù)保存為pb文件。首先，需要定義模型的輸入層和輸出層節(jié)點(diǎn)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(shù)據(jù)的）：

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

PS：說一下鄙人遇到坑：起初，我參照網(wǎng)上相關(guān)教程訓(xùn)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(yùn)行；后來折騰了半天才發(fā)現(xiàn)，是類型轉(zhuǎn)換出錯啦！！！！TensorFlow默認(rèn)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(yīng)Java的int和float類型。

將訓(xùn)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(shù)了。

# 保存訓(xùn)練好的模型#形參output_node_names用于指定輸出的節(jié)點(diǎn)名稱,output_node_names=[’output’]對應(yīng)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(shù)據(jù)以二進(jìn)制方式寫入文件。 f.write(output_graph_def.SerializeToString())

關(guān)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://www.jb51.net/article/138932.htm

這里給出Python訓(xùn)練模型完整的代碼如下：

#coding=utf-8# 單隱層SoftMax Regression分類器：訓(xùn)練和保存模型模塊from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tffrom tensorflow.python.framework import graph_utilprint(’tensortflow:{0}’.format(tf.__version__)) mnist = input_data.read_data_sets('Mnist_data/', one_hot=True) #create modelwith tf.name_scope(’input’): x = tf.placeholder(tf.float32,[None,784],name=’x_input’)#輸入節(jié)點(diǎn)名：x_input y_ = 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(shù)和優(yōu)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(xùn)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(zhǔn)確率pre_num=tf.argmax(y,1,output_type=’int32’,name='output')#輸出節(jié)點(diǎn)名：outputcorrect_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(xùn)練好的模型#形參output_node_names用于指定輸出的節(jié)點(diǎn)名稱,output_node_names=[’output’]對應(yīng)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(shù)據(jù)以二進(jìn)制方式寫入文件。 f.write(output_graph_def.SerializeToString())sess.close()

上面的代碼已經(jīng)將訓(xùn)練模型保存在model/mnist.pb，當(dāng)然我們可以先在Python中使用該模型進(jìn)行簡單的預(yù)測，測試方法如下：

import tensorflow as tfimport numpy as npfrom PIL import Imageimport 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(jìn)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(xùn)練好的模型預(yù)測結(jié)果 print(’模型預(yù)測結(jié)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(shí)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(gòu)建TensoFlow的so庫和jar包，因?yàn)镚oogle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(jīng)存放了很多開發(fā)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(xiàng)目

（2）把訓(xùn)練好的pb文件（mnist.pb）放入Android項(xiàng)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(jié)構(gòu)放在libs文件夾下

（4）appbuild.gradle配置

在defaultConfig中添加

multiDexEnabled true ndk { 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(diào)用

在需要調(diào)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(jìn)行，該方法可參考大神的博客：https://www.jb51.net/article/176693.htm

TensorFlowInferenceInterface.fillNodeFloat(); //送入輸入數(shù)據(jù)TensorFlowInferenceInterface.runInference(); //進(jìn)行模型的推理TensorFlowInferenceInterface.readNodeFloat(); //獲取輸出數(shù)據(jù)

但在最新的libandroid_tensorflow_inference_java.jar中，已經(jīng)沒有這些方法了，換為

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

下面是以MNIST手寫數(shù)字識別為例，其實(shí)現(xiàn)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(shè)置模型輸入/輸出節(jié)點(diǎn)的數(shù)據(jù)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(xùn)練好的TensoFlow模型預(yù)測結(jié)果 * @param bitmap 輸入被測試的bitmap圖 * @return 返回預(yù)測結(jié)果，int數(shù)組 */ public int[] getPredict(Bitmap bitmap) { float[] inputdata = bitmapToFloatArray(bitmap,28, 28);//需要將圖片縮放帶28*28 //將數(shù)據(jù)feed給tensorflow的輸入節(jié)點(diǎn) inferenceInterface.feed(inputName, inputdata, IN_COL, IN_ROW); //運(yùn)行tensorflow String[] outputNames = new String[] {outputName}; inferenceInterface.run(outputNames); ///獲取輸出節(jié)點(diǎn)的輸出信息 int[] outputs = new int[OUT_COL*OUT_ROW]; //用于存儲模型的輸出數(shù)據(jù) inferenceInterface.fetch(outputName, outputs); return outputs; } /** * 將bitmap轉(zhuǎn)為（按行優(yōu)先）一個float數(shù)組，并且每個像素點(diǎn)都?xì)w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(shù)組 ->28*28 */ public static float[] bitmapToFloatArray(Bitmap bitmap, int rx, int ry){ int height = bitmap.getHeight(); int width = bitmap.getWidth(); // 計(jì)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(yōu)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(xiàng)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(gòu)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(zhuǎn)存為行向量的一個float數(shù)組，并且每個像素點(diǎn)都?xì)w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(shù)據(jù)feed給tensorflow的輸入節(jié)點(diǎn)，并運(yùn)行(run)tensorflow，最后獲取（fetch）輸出節(jié)點(diǎn)的輸出信息。

MainActivity很簡單，一個單擊事件獲取預(yù)測結(jié)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; @Override protected void onCreate(Bundle savedInstanceState) { super.onCreate(savedInstanceState); setContentView(R.layout.activity_main); // Example of a call to a native method tv = (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(yù)測結(jié)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：

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'> <TextView android: android:layout_width='wrap_content' android:layout_height='wrap_content' android:text='https://blog.csdn.net/guyuealian' android:layout_gravity='center'/> <Button android:onClick='click01' android:layout_width='match_parent' android:layout_height='wrap_content' android:text='click' /> <TextView android: android:layout_width='match_parent' android:layout_height='wrap_content' android:gravity='center' android:text='結(jié)果為：'/> <ImageView android: 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(xiàng)目代碼都上傳到Github：下載地址：https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo

相關(guān)參考資料：https://www.jb51.net/article/180291.htm

https://www.jb51.net/article/185206.htm

到此這篇關(guān)于將tensorflow訓(xùn)練好的模型移植到Android (MNIST手寫數(shù)字識別)的文章就介紹到這了,更多相關(guān)tensorflow模型識別MNIST手寫數(shù)字內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！