原文地址:http://nilhcem.com/android/custom-tensorflow-classifier
TensorFlow是一个开源的用于机器学习的库，是由谷歌开发的并用在他们的多个项目中。
一个简单、快捷、并且有趣的开始TensorFlow的方法就是创建一个图像分类器，我们的Android设备可以直接检测和识别图片中的对象。
在这篇文章中，我们将会创建一个Android应用程序，可以识别视频游戏人物。
Mario
首先，运行Android分类示例
Github上提供了官方的TensorFlow android 图片分类示例代码，如果你想要build他，需要花费一些时间，你需要安装NDK，Bazel，用Android studio将会花费40分钟左右的build时间。
如果你想导入TensorFlow安卓示例代码到你的项目中，你需要做：
- 导入原始的TensorFlow Android 示例代码
- 创建一个新的Android Studio项目(applicationId:org.tensorflow.demo),以便已经设置了gradle配置。
- 将TensorFlow的android示例代码移动到新的gralde项目。
- 移除DetectorActivity和StylizeActivity，我们今天只需要ClassifierActivity。
- 下载CI与构建NDK库，并将它们放入到项目的gradle中。
- 将预训练的ImageNet模型放到项目中的assets文件夹中。
一旦你导入了TensorFlow android示例代码，运行一下并且开始检测东西。
创建自己的图片分类器
TensorFlow示例使用“Inception”，这是一个经过预训练用以从ImageNet 2012 Chanllenge图像数据集中检测1000个对象的模型。
我们要转移学习，这意味着我们从一个已经在另一个问题上训练的模型开始，然后我们将用它训练另外一个类似的问题，从头开始深入学习可能需要花费几天的时间，但是类似的学习却可以在短期内完成。
1、收集大量的图像
Inception适用于各种图像(至少30张图片)，我们将创建一个/tf_files/games/mario,/tf_files/games/bomberman等
一次下载多张图片的快速方法就是在Google图片上搜索内容，并使用Chrome扩展程序进行批量下载。
download images
2、重新训练模型，以从图像学习
现在我们有了所有的图像，我们将重新训练模型。
我们可以使用docker容器开设置TensorFlow环境：
docker run -it -v $HOME/tf_files:/tf_files \
gcr.io/tensorflow/tensorflow:latest-devel
cd /tensorflow
git pull
git checkout v1.0.1
python tensorflow/examples/image_retraining/retrain.py \
--bottleneck_dir=/tf_files/bottlenecks \
--how_many_training_steps 4000 \
--model_dir=/tf_files/inception \
--output_graph=/tf_files/retrained_graph.pb \
--output_labels=/tf_files/retrained_labels.txt \
--image_dir /tf_files/games
不要停止你的容器，你很快会再需要他。
此操作可能需要几分钟，取决于你拥有多少图像和有多少指定的训练步骤.
这些命令将使用TensorFlow下载初始模型并重新训练他以检测~/tf_files/ 游戏中的图像。
该脚本将申城两个文件：protobuf文件中的模型(retrained_graph.pb)和他可以识别的所有对象的标签列表(retrained_labels.txt).
优化模型
我们有自己的模型，然而，如果你尝试把他导入到Android项目中，将会得到如下错误：
Op BatchNormWithGlobalNormalization is not avaliable in GraphDef version 21. it has been removed in version 9.Use tf.nn.batch_normalization.
我们首先需要优化他，使用一个工具optimize_for_inference
./configure
bazel build tensorflow/python/tools:optimize_for_inference
构建工具需要花费20分钟的时间。
优化
在这一点上，一件最值得做的就是，为了节省时间，将目前docker进程提交到一个新的镜像，你就不需要重建optimeze_for_inference工具。
exit
docker ps -a
docker commit <container ID> <new_name>
docker run -it $HOME/tf_files:/tf_files <new_name>
cd /tensorflow
现在工具已经构建了，你可以优化你的模型了。
bazel-bin/tensorflow/python/tools/optimize_for_inference \
--input=/tf_files/retrained_graph.pb \
--output=/tf_files/retrained_graph_optimized.pb \
--input_names=Mul \
--output_names=final_result
现在可以退出docker容器，此脚本将生成一个~/tf_files/retrained_graph_optimized.pb文件，现在可以在你的Android项目中导入。
导入新的模型到你的Android应用中
我们有已经重新训练的模型，我们现在可以删除Android项目的assets下面的ImageNet模型，并且替换成新的模型~/tf_files/retrained_graph_optimized.pb和~/tf_files/retrained_labels.txt.
我们需要更新一些ClassifierActivity.java中的一些常量
private static final int INPUT_SIZE = 299;
private static final int IMAGE_MEAN = 128;
private static final float IMAGE_STD = 128;
private static final String INPUT_NAME = "Mul";
private static final String OUTPUT_NAME = "final_result";
private static final String MODEL_FILE =
"file:///android_asset/retrained_graph_optimized.pb";
private static final String LABEL_FILE =
"file:///android_asset/retrained_labels.txt";
测试已经训练过的AI
我们安装新的AI模型，我们可以运行项目到Android设备上，并且使用我们的新的训练过的AI来检测对象。
Android Things怎么样
在Android Things上使用TensorFlow比在Android上使用简单一点，已经有一个官方的gradle示例，他与ImageNet模型一起使用，可以快速部署：androidthings.
如果你想使用你自定义的模型，你只需要做这篇文章中相同的步骤就可以了。
- 替换assets文件夹中的你的自定义模型
- 移除.aar库并用TensorFlow最新的库替代
- 修改TensorFlowImageClassfier.java文件中的常量。
在这篇文章中，你看到了一些完全无用的东西：使用深度学习来分类视频游戏角色，但你可以做一些有趣的事情。
网友评论