前言

本文主要参考了几篇文章，搭建了一个在iOS上跑Tensorflow MNIST模型的demo，本文会给出一个可用的Demo，写出当时我遇到的问题。想要把项目跑起来，需要详细的阅读我贴出来的几篇文章，某些具体步骤我会给出链接和索引。

如果你是tensorflow新手，想要知道如何读取训练好的MNIST模型并且做预测，你会从这篇文章得到帮助并节约时间，下载demo。

注意：这个demo需要Tensorflow的库已经各种环境，你可以找到这个感受一下，直接下载在iOS10上的真机就可以运行。

你需要一些Python，Tensorflow和iOS的知识。

MNIST on iOS

Reference

1. python脚本，训练MNIST+用自己的图片做输入预测结果
Using TensorFlow to create your own handwriting recognition engine
GitHub 下载脚本

2. 工程如何搭建请参考这篇
Getting started with TensorFlow on iOS

3. 在iOS里怎么load模型和读取数据
Getting Started with Deep MNIST and TensorFlow on iOS

4. 深度学习，卷积，神经网络简单的解释看这篇
机器学习原来这么有趣！第三章:图像识别【鸟or飞机】？深度学习与卷积神经网络

5. 删除iOS不能支持的node
Drop dropout from Tensorflow

跑一个Tensorflow的例子

MNIST是一个手写数字0~9的数据集，通常机器学期的入门会使用这个数据集来跑一边例子，因为数据量不大，训练的时间比较短，可以很快看到结果。

1. 参考Getting started with TensorFlow on iOS中的Installing TensorFlow，在mac上搭建起运行tensorflow的环境。

2. 创建一个文件夹，比如名字叫train，下载train3.py，解压好下载的MNIST数据集在MNIST_data文件夹中，在terminal中直接
   python ./train3.py
   这时Tensorflow会帮我们进行训练。

3. 下载predict_2.py，并随便的网上找几张手写的数字0~9的图片，使用我们刚才训练的模型做预测
   python ./predict_2.py ‘number1.png’
   在predict_2.py中，我们读取了一张图片，并对这张图片做了一些处理，包括使这张图变为黑白色，缩放图片到28*28的大小（也是MNIST数据集中图片的大小），读取图片的每一个像素并按照tensorflow需要的格式做处理，然后将数据输入到模型中，获取结果。

为iOS准备Tensorflow的环境

这里请详细参考Getting started with TensorFlow on iOS中的TensorFlow on iOS小结，文章里已经说得非常详细了。步骤不复杂，但是编译iOS需要的库要一些时间，我的macbook 13' 大概跑了2个多小时。

Freezing the graph

这一节也在Getting started with TensorFlow on iOS有所提及，细节问题，我在这里说明。

如果你跟着做到了这里，那我们现在有了训练好的模型，这一步我们需要对这个模型进行处理以便它可以用在iOS上面。

模型文件

上面的截图显示了你在运行过train3.py之后会生成的模型文件。Freeze graph指的是将这些模型和训练好的网络参数合并成一个文件，方便工程上的使用。

在terminal中，进入到tensorflow文件夹，复制粘贴执行：
bazel-bin/tensorflow/python/tools/freeze_graph \ --input_graph=/mnist/model/graph.pb --input_checkpoint=/mnist/model/model.ckpt \ --output_node_names=softmax \ --output_graph=/mnist/model/frozen.pb

注意这个目录：/mnist/model/是指Macintosh HD下的/mnist/model/，也就是mac硬盘的根目录下面。

这样我们就把模型和参数合并到了一起，这里拿到的模型里面，有一些操作有可能是不能直接在iOS上面运行的，所以我在train3.py中移除了一些node使得这个模型可以直接放到ios上面。

接下来我们需要用optimize_for_inference优化这个模型，获得一个final.pb，这个才是最后用在iOS上的文件：
bazel-bin/tensorflow/python/tools/optimize_for_inference --input=/mnist/model/frozen.pb --output=/mnist/model/final.pb --output_names=softmax --frozen_graph=True --input_names=x

你可以在这里下载我训练并处理好的模型文件。

The iOS App

1.创建一个新的App工程

2.修改ViewController.m为.mm，因为我们需要使用c++

3.在Build Settings中，根据你编译好的tensorflow文件夹地址修改other link flags：

/Users/matthijs/tensorflow/tensorflow/contrib/makefile/gen/protobuf_ios/lib/
libprotobuf-lite.a 

/Users/matthijs/tensorflow/tensorflow/contrib/makefile/gen/protobuf_ios/lib/
libprotobuf.a 

-force_load /Users/matthijs/tensorflow/tensorflow/contrib/makefile/gen/lib/
libtensorflow-core.a

4.同样修改 library search path：

-force_load 

/Users/matthijs/tensorflow/tensorflow/contrib/makefile/gen/protobuf_ios/lib/
libprotobuf-lite.a 

/Users/matthijs/tensorflow/tensorflow/contrib/makefile/gen/protobuf_ios/lib/
libprotobuf.a 

/Users/matthijs/tensorflow/tensorflow/contrib/makefile/gen/lib/
libtensorflow-core.a

注意这里有 -force_load 不然runtime要出错

5.修改Header Search Paths：

~/tensorflow
~/tensorflow/tensorflow/contrib/makefile/downloads 
~/tensorflow/tensorflow/contrib/makefile/downloads/eigen 
~/tensorflow/tensorflow/contrib/makefile/downloads/protobuf/src 
~/tensorflow/tensorflow/contrib/makefile/gen/proto

6.修改Enable Bitcode: No

7.将final.pb拖入iOS项目中，记得勾选Add to target

0.参考Getting started with TensorFlow on iOS 里面的 The iOS App，这里有不懂的对照着看一下

iOS代码部分

详细代码请去github下载我的demo，可以配好环境运行一下

加载model

- (void)viewDidLoad {
    [super viewDidLoad];
    // Do any additional setup after loading the view, typically from a nib.
    NSString *path = [[NSBundle mainBundle] pathForResource:@"final" ofType:@"pb"];
    if ([self loadGraphFromPath:path] && [self createSession]) {
        NSLog(@"load model and create session");
    }
}

-(BOOL)loadGraphFromPath:(NSString *)path {
    auto status = ReadBinaryProto(tensorflow::Env::Default(), path.fileSystemRepresentation, &graph);
    if (!status.ok()) {
        NSLog(@"Error reading graph: %s", status.error_message().c_str());
        return NO;
    }
    auto nodeCount = graph.node_size();
    NSLog(@"Node count: %d", nodeCount);
    for (auto i = 0; i < nodeCount; ++i) {
        auto node = graph.node(i);
        NSLog(@"Node %d: %s '%s'", i, node.op().c_str(), node.name().c_str());
    }
    return YES;
}

-(BOOL)createSession {
    tensorflow::SessionOptions options;
    auto status = tensorflow::NewSession(options, &session);
    if (!status.ok()) {
        NSLog(@"Error creating session: %s", status.error_message().c_str());
        return NO;
    }
    status = session->Create(graph);
    if (!status.ok()) {
        NSLog(@"Error creating session: %s", status.error_message().c_str());
        return NO;
    }
    return YES;
}

做预测

1. 读取图片，将图片scale，读取像素做normalize
2. 放入input
3. 跑网络
4. 拿到输出，获得结果

-(void)predict {
    // 1. 读取图片，将图片scale，读取像素做normalize
    UIImage *orignalImage = [UIImage imageNamed:@"9-1.png"];
    UIImage *scaledImage = [self scaleImage:orignalImage];
    UIImage *image = [self convertImageToGrayScale:scaledImage];
    UIImageView *imageView = [UIImageView new];
    imageView.frame = CGRectMake(0, 0, 50, 50);
    imageView.image = image;
    [self.view addSubview:imageView];
    tensorflow::Tensor x(tensorflow::DT_FLOAT, tensorflow::TensorShape({1,kInputLength}));
    
    NSArray *pixel = [self getRGBAsFromImage:image atX:0 andY:0 count:kInputLength];
    
    for (auto i = 0; i < kInputLength; i++) {
        UIColor *color = pixel[i];
        CGFloat red = 0.0, green = 0.0, blue = 0.0, alpha =0.0;
        [color getRed:&red green:&green blue:&blue alpha:&alpha];
        x.matrix<float>().operator()(0,i) = (255.0 - red) / 255.0f;
        NSLog(@"%f",x.matrix<float>().operator()(0,i));
    }
    // 2. 放入input
    std::vector<std::pair<tensorflow::string, tensorflow::Tensor>> inputs = {
        {"x", x}
    };
    
    std::vector<std::string> nodes = {
        {"softmax"}
    };
    
    const auto start = CACurrentMediaTime();
    
    std::vector<tensorflow::Tensor> outputs;
    // 3. 跑网络
    auto status = session->Run(inputs, nodes, {}, &outputs);
    if (!status.ok()) {
       NSLog(@"Error reading graph: %s", status.error_message().c_str());
        return;
    }
    
    NSLog(@"Time: %g seconds", CACurrentMediaTime() - start);
    // 4. 拿到输出，获得结果
    const auto outputMatrix = outputs[0].matrix<float>();
    float bestProbability = 0;
    int bestIndex = -1;
    for (auto i = 0; i < kOutputs; i++) {
        const auto probability = outputMatrix(i);
        if (probability > bestProbability) {
            bestProbability = probability;
            bestIndex = i;
        }
    }
    NSLog(@"!!!!!!!!!!! result %d",bestIndex);
}

至此，我们就成功的在iOS上用tensorflow跑起了我们训练好的模型，并做出预测了！

其他遇到的问题

当我使用create_model_2.py创建了一个模型，但是在iOS上却报这么一个错：

Invalid argument: No OpKernel was registered to support Op 'RandomUniform' with these attrs.  Registered devices: [CPU], Registered kernels:
  <no registered kernels>

     [[Node: dropout/random_uniform/RandomUniform = RandomUniform[T=DT_INT32, dtype=DT_FLOAT, seed=0, seed2=0](dropout/Shape)]]

显示我的模型里面，有iOS不能支持的node。Google了很久，发现我最开始使用的训练模型中，使用了dropout来防止训练过拟合，但是dropout中有iOS不能执行的node操作，并且freeze_graph和optimize_for_inference也不能删除iOS不支持的节点。

目前我知道的解决方式就是手动的删除model中iOS不可以支持的节点，在这里我们可以直接干掉dropout相关的节点。

具体方法参考:
Drop dropout from Tensorflow
optimize_for_inference.py should remove Dropout operations #5867

主意上面的train3.py这个脚本，这里使用的train3脚本是我对谷歌给出例子的修改，使得每训练1000个数据会自动保存一下模型，我们可以训练一会并ctrl+c取消训练，用已经保存的模型来做预测，虽然预测会不那么准。我在这个脚本中创建了graph.pb并且移除了dropout的操作，所以这里训练出来的模型不会遇到有node在iOS上不支持的问题。

最后

如果你看到这里还没有放弃，那希望你有一点点收获：P